本文提出了一种新颖的对比多层图神经网络方法（CM-GNN）来更好地利用复杂和高阶的物品转换信息，并通过对比学习范式最大化来将高阶物品转换信息转化为基于成对关系的会话表示。实验证明，所提出的方法优于现有的会话推荐技术。

Nov, 2023

该研究提出了一种基于对比学习的简单对比图神经网络用于会话推荐，通过获得标准化的会话图嵌入、正负样本的构建和新颖的负样本选择策略，优于现有方法并进行了大量实验验证。

Feb, 2023

本文提出了一种新的基于评论信息的图神经网络方法 (RI-GNN)，用于改善 SBRs 中的物品之间的依赖关系，从而提高基于会话的推荐性能。实验证明，RI-GNN 优于目前已有的 SOTA 方法。

Jan, 2022

本文提出了一种新的方法，称为全局上下文增强图神经网络 (GCE-GNN)，利用全局图和会话图中的项目转换更精细地推断用户偏好，从而改善了会话推荐，此方法在三个基准数据集上都表现出优异的性能。

Jun, 2021

本论文提出了一种新的基于超图注意力网络的会话推荐系统，它通过构建每个会话的超图、使用超图注意力层来生成项目嵌入，并聚合每个会话的动态项目表示，从而推断下一个感兴趣的项目。实验结果表明，与最先进技术相比，所提出的模型能够有效生成信息丰富的动态项目嵌入，并提供更准确的推荐。

Dec, 2021

该论文提出了一种名为 SR-GNN 的新型方法，基于图神经网络来对会话进行建模，并使用注意力网络将每个会话表示为全局偏好和当前兴趣的组合，从而提高了会话推荐的准确率。

Nov, 2018

本文提出了多通道超图卷积网络模型，通过利用高阶用户关系来提高社交推荐系统的推荐质量，结合自我监督学习的方法以弥补聚合信息的损失。在多个真实数据集上的实验结果表明，该模型优于现有的其他方法。

Jan, 2021

本文提出了一种基于会话推荐的 Graph Spring Network 和信息锚点选择模型（GSN-IAS），用于在物品图上学习基于 ID 的物品嵌入，并提出了一种选择信息锚点和编码物品与锚点关系的非监督学习机制。最后，将两次预测进行自适应决策融合，以做出最终推荐。

Feb, 2022

本文提出了一种名为 SHT 的新型自监督超图变换器框架，以增强协同过滤模型在处理存在数据稀疏和噪声的推荐场景时的鲁棒性，并在各种最先进的基准模型上显著提高性能，证明了其出色的表示能力。

Jul, 2022

本文提出了一种基于图神经网络 (Full Graph Neural Network, FGNN) 以及广联跨时加工 (Broadly Connected Session, BCS) 的新型会话 (session) 推荐算法，旨在更好地捕捉复杂的物品依赖关系和跨时信息。在 Yoochoose 和 Diginetica 等两个电子商务基准数据集上广泛测试，实验结果表明，与现有会话推荐模型相比，该算法具有优异的性能。

Jul, 2021