本文旨在在推荐系统中将知识图谱引入，特别考虑了不完整的知识图谱，并通过关系传递实现对用户偏好的理解，提高了推荐性能。通过联合训练建议模型和知识图谱完成模型，综合多个迁移模式，表现出卓越的性能

Feb, 2019

本文提出了双向推荐模型 DEKGCI，利用用户物品交互图的高阶协作信号丰富用户表示，同时利用知识图谱的高阶结构和语义信息丰富物品表示，实现了用户和物品之间的有效互动捕捉。在三个真实数据集上的实验结果表明，DEKGCI 相对于七种最先进的基线模型在 AUC 和 ACC 方面具有高效性。

Jun, 2023

基于知识图谱和图神经网络的用户中心子图网络方法 (KUCNet) 构建了用户 - 物品子图以捕捉用户物品历史交互和知识图谱提供的辅助信息，并使用基于注意力机制的图神经网络对子图进行编码，提供了准确、高效、可解释的推荐特别是针对新物品的方法。实验结果表明 KUCNet 在基于知识图谱和协同过滤的方法上具有优势。

Mar, 2024

提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

May, 2022

本文提出了一种新的分层注意力知识图嵌入框架（HAKG），用于捕捉用户偏好，并在缓解数据稀疏性问题方面表现出优越性。

Oct, 2019

本文中介绍了一种基于超螺旋空间的个性化推荐模型，其中使用了知识图谱、超螺旋空间和自适应的正则化机制，通过在三个真实数据集上的实验表明，相较于最先进的现有模型，该模型在 NDCG@K 上的推荐效果提高了 2-16%。

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

我们提出了一种混合多任务学习方法，通过对描述性文本进行基于物品的对比学习，从而更好地理解知识图谱中的实体关系，提供更准确、相关、多样化的用户推荐，特别对有限物品交互的冷启动用户也能发挥作用。我们在两个广泛使用的数据集上进行了大量实验，验证了我们方法的有效性，并且结果表明基于物品的对比学习提高了实体嵌入的质量。

Mar, 2024

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

提出了一种名为 KGAT 的新方法，它结合了知识图谱和嵌入传播技术，旨在显式地建模知识图谱中的高阶关系以提高推荐准确性，并采用注意机制以区分邻居的重要性。实验结果表明 KGAT 显著优于现有的基于知识图谱的推荐方法

May, 2019