本文通过图信号处理的角度，研究了基于图卷积网络 (GCNs) 的协作过滤 (CF) 方法的理论，提出了基于图卷积的统一框架，证明了现有的许多 CF 方法都是这个框架的特例，包括邻域方法、低秩矩阵分解、线性自编码器和 LightGCN 等，提出了基于图滤波的协作过滤 (GF-CF) 作为基准模型，在三个知名数据集上实验表明，GF-CF 与基于深度学习的方法相比性能更强，在 Amazon-book 数据集上比 LightGCN 的性能提升了 70%。

Aug, 2021

本文提出了一种无非线性激活函数的简化 GCN 结构，以提高推荐性能，并提出了一种专门用于 CF 的残差网络结构来解决大规模数据下图卷积聚合操作的平滑问题，该模型易于训练、扩展到大规模数据集，并在两个真实数据集上展示出更好的效率和效果。

Jan, 2020

本文提出了一个基于图卷积的推荐框架，名为 Multi-GCCF，该框架利用了用户项目交互数据和用户对和项目对之间的相似性来建立分区图和 user-user /item-item 图，并在双分图上执行图卷积，在四个公共基准测试中取得较显著的改进，证明了模型的有效性以及学习的嵌入捕获了重要的关系结构。

Jan, 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

本文提出了一种基于图卷积网络和对抗训练的深度框架，以解决社交推荐系统中的一些问题，如噪声、局限性和异质性等，实验证明该框架在多个开放数据集上具有卓越的推荐性能。

Apr, 2020

研究采用邻域聚合操作来简化 GCN 模型设计，提出了名为 LightGCN 的新模型，用于协同过滤任务上取得了比基于 GCN 的 Neural Graph Collaborative Filtering 模型高出 16.0% 的性能改善，分析表明 LightGCN 相比于其他 GCN-based 推荐模型更加合理且易于实现和训练。

Feb, 2020

为了应用 Graph Convolutional Network 到大规模图上，我们提出了一种 Low-pass Collaborative Filter 算法来清除噪声并降低计算复杂度，实验结果表明这种算法可以有效提高图卷积的效果和效率。

Jun, 2020

提出了一种新的自我监督推荐框架 HCCF，它利用超图增强交叉视角对比学习体系结构共同捕捉本地和全局协作关系，结合超图结构编码和自我监督学习来增强推荐系统的表示质量，并通过三个基准数据集的广泛实验证明了其优越性和稀疏用户交互数据的鲁棒性。

Apr, 2022

该论文首先认为当前的 GCN 模型较难训练，而且容易出现平滑过度和容易受到对抗攻击的问题；该论文提出了一种有效的方法来处理这些问题，通过使用简单的 GCN 模型单独聚合不同阶邻居的信息，然后通过层级的累加来消除这些问题，并且在实验数据集上证明了该模型的有效性和鲁棒性。

Apr, 2020

本文提出了一种在双分图中利用本地图结构的连接分数来扩展多个标准连通性预测方法的新方法，并与迭代度更新过程相结合，以利用局部图结构的方法。尽管该方法很简单且不涉及节点建模，但我们展示了它在四个广泛使用的基准测试上明显优于现有的基于 GNN 的 CF 方法，在 Amazon-Book 上，我们展示了 Recall 和 NDCG 都有超过 60％的提高，希望我们的工作能引发学术界重新关注协作过滤中的链接预测方面。

Mar, 2022