该论文提出了一种名为 GERAI 的新型差分隐私图卷积网络，它结合了差分隐私的信息扰动机制和图卷积网络的推荐功能，采用本地差分隐私和函数机制，创新性地设计了一个双阶段加密范式，可同时对用户的敏感特征和模型优化过程进行隐私保护，并在抵御属性推断攻击和推荐有效性方面具有优越性。

Jan, 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

COllaborative graph Neural Networks (CONN) 是一种专门用于属性网络嵌入的 GNN 体系结构，通过选择性地传播来自相邻节点和相关属性类别的消息，并通过交叉相关联合重构节点之间和节点到属性类别之间的交互来提高模型能力。实验表明 CONN 在真实网络上表现出色，超过了现有的嵌入算法。

Jul, 2023

本文提出了一种自适应图卷积方法来处理带属性的图聚类问题，该方法利用高阶图卷积来捕获全局聚类结构，并针对不同的图自适应地选择适当的阶数，而实验结果表明，该方法与现有的最先进方法相媲美。

Jun, 2019

本研究提出了一种基于属性图的新型神经网络框架，通过学习不同形态属性之间的分布，可以为冷启动用户 / 物品生成偏好嵌入，同时提出了 gated-GNN 对不同属性进行有效聚合，实验结果表明，在冷启动推荐中取得了显着的改进，并且在温热启动情况下表现优异。

Dec, 2019

提出了一种新的算法 Adaptive Graph Encoder (AGE) 基于图卷积网络（GCN）的 attributed graph embedding 任务，并且采用了特定的 laplacian smoothing filter 去除节点特征中高频噪声，实现更佳的节点嵌入。AGE 在公共基准数据集上进行了实验，结果表明 AGE 在节点聚类和链接预测任务中表现出色。

Jul, 2020

本文提出了一种基于图卷积网络的方法，以预测用户在购买时是否受产品价格因素影响，解决了价格因素在推荐系统中受到相对较少关注的问题，主要通过对用户行为和商品价格之间的关系进行建模，同时考虑商品类别因素的影响，实验结果表明该方法能够有效地学习用户对产品价格的偏好，优于现有方法。

Mar, 2020

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

提出了一种名为注意力驱动图聚类网络（AGCN）的深度聚类方法，它利用异质性智能融合模块动态融合节点属性特征和拓扑图特征，并开发了一个分别针对不同层嵌入的多尺度特征进行自适应聚合的规模智能融合模块，通过联合学习特征和聚类分配，可以更加灵活有效地执行聚类任务。实验结果表明，该方法性能优于现有的深度聚类方法。

Aug, 2021

该论文提出了一种基于神经图匹配的协同过滤模型 (GMCF)，用于通过建模和聚合属性之间的交互，在图匹配结构中有效捕获两种类型的属性交互（内部交互和交叉交互），同时明确进行特征学习和偏好匹配的推荐过程，实验证明该模型优于现有的最先进模型，并能提高推荐的准确性。

May, 2021