论文提出了一种统一的框架 ——Preference Network (PN)，用于推荐系统任务。PN 将基于内容过滤和协作过滤相结合，支持评分预测和 top-N 推荐等查询，并采用了一种简单但有效的伪似然估计方法来解决大规模用户和项目网络学习的难题。实验表明 PN 具有明显的优点。

Jul, 2014

本文探讨了一种替代方法，不再假设用户未交互的物品一定是消极的，而是假设比用户交互过的物品更不受偏爱，并结合最近提出的神经协同过滤框架和新的分类策略提出了一种基于神经网络的协同排名框架。实验结果表明，相比于几种最先进的方法，我们的方法具有更优异的性能。

Aug, 2018

本文提出了一种基于图神经网络的社交推荐模型 NeMo，使用生成式负采样策略并利用正负用户 - 物品交互推广用户兴趣，提高了推荐泛化能力和准确度。实验证明，在各种真实世界的基准数据集上（例如在 NDCG@15 方面高达 38.8%）NeMo 的性能优于现有方法。

Apr, 2023

本文提出了一种新颖的排序逼近方法来提高 Top-N 推荐系统的性能，其中逼近误差是可控的，实验结果表明该方法显著提高了 Top-N 推荐的准确性。

Feb, 2016

该研究提出了一种 Graph Neural Multi-Behavior Enhanced Recommendation (GNMR) 框架，它在图形消息传递架构下显式地建模了用户 - 物品不同类型交互之间的依赖关系，以更好地捕捉用户多行为数据的异构协作信号。

Jan, 2022

该研究针对基于会话的推荐模型存在的流行度偏向问题，提出使用规范化嵌入表示方法，结合图神经网络来更好地支持复杂的推荐场景，实验证明效果显著。

Sep, 2019

本文提出了一种基于神经网络的方法，使用用户对不同商品的评分来预测用户如何描述该商品，并生成自然语言解释，通过实验验证模型可以生成接近真实用户写的评论。

Jul, 2017

本文提出基于神经网络的推荐模型（NeuRec），该模型通过排序任务展示了其在个性化推荐方面的优异性能，同时解决了用户 - 物品交互中的复杂性和非线性问题，并通过非线性转换和隐性因素的组合，设计出两个变体 NeuRec 模型，即基于用户的 NeuRec 和基于物品的 NeuRec。

May, 2018

本文提出了基于神经张量分解的动态关系数据预测模型，该模型利用长短时记忆网络来刻画关系数据中的多维时间交互作用，并结合多层感知器结构学习不同潜在因素之间的非线性关系，实验证明该模型在评级预测和链接预测方面性能显著优于神经网络因子分解模型和其他传统方法。

Feb, 2018

该文介绍了一种名为 NHR 的神经混合推荐框架，可用于商品预测问题。该框架利用神经网络从同一和不同的数据源中提取更详细的信息，以及在同样的问题上使用不同的损失函数达到评级预测问题，测试结果在真实世界数据集中显示了优异的性能。

Sep, 2019