通过构建异质性图来显式地建模用户、新闻和潜在主题之间的交互，并利用图形神经网络和注意力机制的 LSTM 模型学习用户和新闻表示形式，从而在新闻推荐系统中扩展高阶结构信息。实验结果表明，该模型在新闻推荐方面显著优于现有的方法。

Oct, 2019

提出了一种基于神经网络的新闻推荐方法，通过利用新闻的多种信息并采用注意力机制实现对新闻和用户的有效表示学习，成功提高了新闻推荐的准确性。

Jul, 2019

本研究提出了一种基于行为感知的图形网络，同时考虑六种不同类型的行为以及用户对新闻多样性的需求，使用 DeepWalk 提取实体语义，建立了一个基于图形的卷积神经网络来学习新闻的表示，以及一个基于关注力的 LSTM 来学习行为序列的表示，成功地将新闻推荐给不同程度集中度的不同用户。

Nov, 2018

该研究提出一种名为 GLORY 的新模型，通过构建全局感知的历史新闻编码器和候选新闻编码器，结合全局表示和本地表示来增强个性化推荐系统，并在公共新闻数据集上表现良好。

Jul, 2023

该论文介绍了一种新颖的多表示学习框架，利用序列和图形组件之间的协同作用，显著提高了推荐性能。

Mar, 2024

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

为了提高新闻推荐的用户兴趣模型和模型训练的效果，我们提出了一种利用各种用户反馈的统一用户建模框架，并采用强到弱的注意力网络来提炼正负用户兴趣，以及采用多反馈模型训练框架来学习关注度感知的新闻推荐模型。

Feb, 2021

本篇论文提出了一种新的推荐框架，名为神经图协同过滤 (NGCF)，它通过在用户 - 物品图上传递嵌入来利用用户物品图结构，并显式地将协同信号注入到嵌入过程中，以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验，表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。

May, 2019

本研究通过比较简单和复杂推荐系统之间的性能差异，保证较高的 AUC 分数，并发现新闻嵌入和评分函数之间的复杂性之间的权衡。

Jul, 2022

本文提出了一种图神经网络框架（GraphRec）用于社交推荐，该框架可以共同模拟两个图形和异构强度，并对用户 - 项目图形中的交互和观点进行联合捕获。

Feb, 2019