本研究提出了一种新颖的解缠式对比学习框架，名为 DcRec，该框架可以从物品和社交领域中学习解缠式用户表示，并在社交推荐中进行知识转移。实验证明，该模型在各种真实世界数据集上具有优越性。

Aug, 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

本文提出了一种基于生成式对抗网络（GAN）的端到端社交推荐框架，该框架可以适应地生成可靠的好友，从而改善了显式社交关系的稀疏性和不可靠性问题，提升了社交推荐的性能表现，实验研究表明该框架的优越性和生成可靠好友的积极影响。

Sep, 2019

本文介绍了 DSCF，一种新型的深度社交协同过滤框架，通过利用社交关系的各个方面来解决推荐系统中存在的多种挑战，包括利用用户 - 项目交互和社交网络信息进行深度学习，使用邻居的信息并考虑特定推荐情况，以及了解邻居对项目的不同意见对用户的影响等，实验证明该框架的有效性。

Jul, 2019

提出了一种新颖的方法 RecSys-DAN，通过表示学习、对抗学习和转移学习（特别是域适应）来减轻交叉领域和领域内数据的稀疏性和不平衡性，并学习用户、项目及其交互的可传输潜在表示。该方法通过对抗损失进行最小最大博弈来学习目标域中的映射函数，旨在生成具有域不可区分性的表示形式。在真实的亚马逊数据上的实验结果表明，即使不使用目标域中的标记数据（即评分），RecSys-DAN 与最先进的监督方法相比具有竞争力。

Mar, 2019

本文提出了一个新的社交推荐模型，使用双重图注意力网络来协同学习两种社交效应的表示，并在上下文中使用基于策略的融合策略来提高推荐精度。

Mar, 2019

提出了一种基于双学习机制的跨领域用户行为建模方法，为两个相关领域建立双重的潜在嵌入，实现了在两个目标域上同时提高 CTR 预测性能的目标，实验证明了比其他最先进的模型表现更好的效率和性能。

Jun, 2021

通过使用多代理强化学习算法，我们提出了一种名为 Multiattack 的新型框架，用于在黑盒社交推荐系统中进行协调生成冷启动物品概述和跨社区社交关系，以进行非定向的攻击。我们在多个现实世界数据集上进行了综合实验，证明了我们所提出的攻击框架在黑盒环境下的有效性。

Nov, 2023

提出一种面向冷启动用户的内容为基础的跨领域推荐方法，利用极端多类分类的形式来预测用户对物品的评分标签，构建了一个融合了领域适应的体系结构和去噪自编码器的神经网络，实现了不依赖用户和物品重叠特征，不同领域之间的推荐， 在 Yahoo! JAPAN 的电影和新闻服务数据集上表现出超过交叉领域协同过滤方法的性能。

Mar, 2018

该研究提出了一个名为 DICER 的社交推荐模型，使用图神经网络来建模用户的社交关系和协作关系，在此基础上提出双侧深度上下文感知调节来捕捉朋友的信息和物品吸引力，研究结果表明该模型的有效性并进一步探究了双重上下文感知调节的工作原理。

Mar, 2021