本文利用图卷积网络优化了推荐系统，将推荐候选项的多样性缩放到候选项生成阶段，并提出了重新平衡邻居发现、类别提升负采样和对抗学习等技术以改善多样性问题。对实际数据进行的广泛实验表明该方法的有效性，并证实该方法显著缓解了准确性和多样性之间的困境。

Aug, 2021

提出了一种解决工业级推荐系统中个人层面多样性和系统层面多样性的集成问题的方案，使用检索图信息来增加多样性，捕捉用户的实时多样性倾向，并在微信应用的 Top Stories 等应用中实现并部署，离线模拟和在线 AB 测试显示该方案可以有效提高用户参与度和系统收入。

May, 2023

在知识图谱领域中，针对推荐系统的多样化进行研究，引入了实体覆盖度和关系覆盖度的度量方法，并提出了多样化嵌入学习和条件对齐与一致性技术，以增强知识图谱驱动的推荐系统的多样性。

Oct, 2023

介绍了一种针对推荐系统中推荐准确性和多样性的算法，通过将该算法与基于准确性的算法混合使用，能够在不依赖语义或特定上下文信息的情况下同时提高推荐的准确性和多样性。

Aug, 2008

通过引入多样化加权超图音乐推荐算法 (DWHRec)，在用户和已听曲目之间构建了带权重的超图，并将艺术家、专辑和标签与曲目的关联也附加到超图中，通过基于超图的随机游走嵌入方法来探索用户的潜在偏好，实验证明 DWHRec 算法有效地平衡了准确性和多样性，在音乐推荐领域提供了更加丰富的音乐体验。

Feb, 2024

介绍一种针对推荐系统中存在的偏见的一般性的基于图的算法 FairMatch，可在推荐生成后作为后处理方法来提高推荐的多样性和公平性，通过在推荐二分图上解决最大流问题来找到很少推荐但却是高质量的项目并将其添加到用户的最终推荐列表中。

May, 2020

为了在在线平台中提高用户的代表性，我们提出了一种端到端的多样化机制，包括检索、排名和负责平衡多样性和实用性的多目标优化；实验结果表明这种方法显著提高了多样性，并且在实用性方面具有中性到正面的影响。

May, 2023

通过在异构图中结合社交网络数据的动态属性，本研究提出了一种新的方法来提供社交推荐，旨在捕捉用户的长期和短期偏好并聚合分配的边权重，以实现对时间变化的用户偏好的建模，实验结果证明了该模型的有效性。

Dec, 2023

调查了不同类型的推荐框架的发展，重点关注于异构关系学习，分类研究了社交推荐、知识图增强推荐系统以及多行为推荐的学习方法，探讨如何有效地提取异构上下文信息。最后对异构关系学习提出了新的方向和机会。

Oct, 2021

本文中，我们开发了一种新颖的神经网络模型，通过非对称注意模块恰当地解决了用户评价和产品评价的不同。多层次范式考虑到了不同的评价和句子的重要性和相关性。在各种真实数据集上的广泛实验结果表明了我们方法的有效性。

Dec, 2019