本篇论文介绍了一种针对用户和物品全新的上下文交互信号建模方法，通过构建多部分图来表示复杂的交互模式，并进一步使用图卷积网络（Graph Convolutional Networks）提高推荐系统的表现。

Mar, 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

在 Shopee 的大规模电子商务商品检索中，我们采用了图神经网络（GNN）及其简单但创新且有影响力的技术，包括图构建、建模和处理数据偏斜，以提高离线评估和在线 A/B 测试，并将模型部署到 Shopee 推荐广告系统的主要流量中。

Oct, 2023

本文提出了一种基于图卷积神经网络的社交推荐模型，通过捕捉信息在社交网络中的扩散进程来影响用户偏好，使得模型在两个真实数据集上展现出了很好的性能。

Nov, 2018

本文提出了一种新的、高效且可扩展的图深度学习架构，通过使用不同尺寸的图卷积滤波器，绕过了图采样的必要性，从而允许极快速的训练和推理，同时在比对测试中展现了与其他最先进架构相竞争的表现，对于包含超过 1.1 亿个节点和 15 亿条边的公共图数据集 ogbn-papers100M 实现了最先进的结果。

Apr, 2020

本文提出了一种名为 “自监督图学习” 的新学习范式，通过生成多个节点视图，使用节点丢弃、边丢弃和随机游走三种不同的图结构方式来增强基于用户 - 物品图的图卷积网络的表示学习性能，从而提高推荐的准确性和鲁棒性。理论分析和三个基准数据集上的实证结果验证了该方法的有效性。

Oct, 2020

本文提出 InterActive GCN，针对已有的基于 GCN 的协同过滤推荐系统采用相同的聚合方式从用户邻域中学习用户的表示，从而忽略了用户 - 项目对之间的交互特征。新模型在用户 - 项目对之间构建双边交互指导，提供了交互和可解释的特征，并且通过每个图卷积操作有效地提取了目标特定信息，能够与各种基于 GCN 的 CF 体系结构端到端地组合使用。实验表明，本文提出的 IA-GCN 具有较好的效果和鲁棒性。

Apr, 2022

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

该论文提出了一种基于全空间双曲几何的图卷积网络模型，以更准确地捕捉用户 - 项目的交互关系，并在公共基准数据集上实验表明其性能优于欧几里得空间和双曲空间的对应方法，且达到可比较的性能只需要更低的嵌入维度。

Aug, 2021

本文介绍了一种名为 STAR-GCN 的新型图卷积神经网络模型，用于推荐系统中节点表示的学习，尤其是在冷启动场景中。STAR-GCN 采用一堆 GCN 编码器 - 解码器和中间监督来提高最终预测性能。与具有一次性编码节点输入的图卷积矩阵完成模型不同，STAR-GCN 学习低维度的用户和项目潜在因素作为输入，以抑制模型空间复杂性。此外，STAR-GCN 可以通过重构蒙版输入节点嵌入来为新节点产生节点嵌入，从而本质上解决了冷启动问题。此外，我们还发现了训练 GCN 模型进行链接预测任务时的标签泄漏问题，并提出了一种训练策略以避免这个问题。我们在多个评分预测数据集上进行了实证研究，结果表明我们的模型在五个真实世界数据集中的四个中实现了最先进的性能，并且在预测冷启动场景中的评分方面显示出了显著的改进。

May, 2019