该论文介绍了一种名为 RKGCN 的端到端深度学习模型，使用知识图来提高模型的可解释性和准确性，能够基于用户偏好提供更个性化、相关性更高的推荐，在三个真实场景的实验结果中优于五个基准模型。

May, 2023

本文提出了一种知识感知的交互匹配方法，通过使用知识图谱来捕获语义和实体之间的相关性，同时设计了新闻协同编码器和用户新闻协同编码器来学习正文新闻和候选新闻的表征以及用户兴趣的表征，从而有效提高了新闻推荐的性能。

Apr, 2021

该研究提出了一种知识感知的耦合图神经网络模型，用于解决社交信息推荐系统中用户和项目之间交互异质性、动态性和相互依赖性等问题，实验结果表明该方法在多种情境下有效益。

Oct, 2021

本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。

Mar, 2019

本文综述了基于图神经网络的知识感知深度推荐系统的现状和发展方向，重点讨论了核心组件 —— 图嵌入模块，以及它们如何解决实际推荐问题，例如规模扩展，冷启动等，并总结了常用的基准数据集、评估指标和开源代码。

Mar, 2020

使用知识图谱信息的一种新型图神经网络推荐模型 (KGLN) 被开发出来，以提高个性化推荐的准确性和有效性。该模型通过合并图中的个体节点特征并调整相邻实体的聚合权重，通过迭代使模型从单层发展到多层，并将实体和用户的特征整合在一起产生推荐得分。在对 MovieLen-1M 和 Book-Crossing 数据集进行测试时，KGLN 相对于 LibFM、DeepFM、Wide&Deep 和 RippleNet 等已建立的基准方法，分别显示出了 0.3% 至 5.9% 和 1.1% 至 8.2% 的 AUC (ROC 曲线下面积) 改进。

Dec, 2023

该研究提出了一种基于双重观察方法的新闻推荐算法，结合了用户对新闻的兴趣和偏见以及新闻文章的内容，通过深度神经网络识别新闻文章的主要焦点和用户对文章的关注点来提供更加个性化、准确的推荐。

Feb, 2023

本文提出了一种基于图遍历算法和命名实体的内容推荐系统的新权重机制，用于解决冷启动问题，实验结果表明该方法在推荐新闻文章时具有很好的相关性和性能。

May, 2019

本文提出了利用知识图谱的路径循环神经网络模型（Knowledge-aware Path Recurrent Network），该模型可以通过组合实体和关系的语义生成路径表示，并利用路径内的序列依赖关系有效地推理用户 - 物品交互的基本原因。通过设计一种新的加权汇集操作，区分连接用户和物品的不同路径的强度，为模型赋予一定水平的可解释性。该模型在电影和音乐的两个数据集上进行了广泛的实验，显示出比现有的解决方案 Collaborative Knowledge Base Embedding 和 Neural Factorization Machine 更显著的改进效果。

Nov, 2018

基于用户查询日志，构造主题感知的图网络进行知识更新，通过实体属性图训练 GNN 实体更新模型以确定实体是否需要同步，并使用最小编辑次数算法将过滤的实体与知识库中的实体进行匹配和更新。

Aug, 2022