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

本文系统调查了基于知识图谱的推荐系统，从算法和数据集两个角度总结了近期发表的研究，并提出了该领域的几个潜在研究方向。

Feb, 2020

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

该研究提出了一种利用社交网络信息进行协同过滤推荐的方法，通过设计元路径引导的异构图神经网络和自监督图协同过滤来建立用户偏好表示，以探索全局协作关系和基于图拓扑的同构变换性质，实现对用户行为四面八方的评估。实验结果表明，在多种实际数据集上，该方法优于其他各种最先进的推荐方法。

Oct, 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

本文提出了一种知识增强的分层图转换网络，以调查推荐系统中用户和物品之间的多类型互动模式，包括复杂的用户行为特征，知识感知的物品关系以及多类型用户物品交互的动态特性，实验表明该方法在多种情况下优于现有的推荐方法。

Oct, 2021

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

我们的研究聚焦于图神经网络模型的可复制性，通过复现六种热门的图推荐模型在三个常见基准数据集上的结果来解决原有图模型研究中常采用未经验证结果的问题。此外，我们还将这些图模型与传统的协同过滤模型进行比较，并扩展研究至两个缺乏已建立的设置的新数据集，分析特定数据集特征对推荐准确度的影响，通过研究用户邻域信息流动，旨在识别数据集结构中的内在特征对模型的影响。

Aug, 2023

我们提出了一种名为KGTrimmer的新颖方法，用于为推荐任务修剪知识图，以去除不必要的节点并最小化性能下降，通过从群体视图和整体视图的角度设计重要性评估器和端到端的有重要性的图神经网络，生成轻量、稳定和健壮的修剪后的知识图。

May, 2024

基于知识图谱的异构超图推荐系统 (KHGRec)模型将复杂的高阶互动和多样性输入源的异构性纳入考虑，使用协作知识异构超图 (CKHG)来建模复杂连接，并通过交叉视图自监督学习和注意机制融合来自输入图的信号，实现精准推荐。该模型在四个真实数据集上的广泛实验表明其相对于现有的其他模型有平均5.18%的相对改进，对于噪声鲁棒性、缺失数据和冷启动问题的额外测试也展示了KHGRec框架的稳健性。

Jul, 2024