提出了一种利用自监督学习技术的图学习框架来提高稀有组的嵌入质量，以解决传统的组推荐方法在冷启动组中表现不佳的问题。实验结果表明，该框架优于当前最先进的方法。

Dec, 2021

本文提出了一个自我监督超图学习框架，用于解决群体推荐中用户之间的复杂关联模型问题。实验分析表明，该模型在多个基准数据集上的表现优于现有方法，并阐明了超图建模和双尺度自我监督的合理性。

Sep, 2021

本文提出了一种新的群组表示方式 —— 超立方体，并设计了基于超立方体的群组推荐算法 CubeRec，以解决传统基于点表示的群组推荐算法在聚合用户偏好和反映群体决策过程等方面的不足问题。实验证明，该算法在四个真实数据集上的表现优于现有算法。

Apr, 2022

本文提出了一种名为 CAGR（Centrality Aware Group Recommender）的新型端到端组推荐系统，该系统采用双向图嵌入模型（BGEM）、自我注意机制和图卷积网络（GCN）作为基本构建块，从数据中学习群组和用户的表示方法，以克服组决策制定的真实和复杂过程，特别是对于形成临时群组的情况进行动态策略优化。通过创建三个大型基准数据集并在其中进行广泛的实验来证明 CAGR 的优越性。

Oct, 2020

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

本研究提出了一种基于邻域组织的层次化关注成员模型，用于图嵌入，通过引入结构约束，由上至下地捕获了一种良好定义的层次结构，实现了节点分类和链接预测任务的指标优于当前先进技术图嵌入解决方案，表明隐含群组和成员资格的概念在图嵌入学习中具有快速发展的潜力。

Oct, 2021

本文提出了一种名为 “异构图传播” 的新图嵌入方法，通过使用组 - 用户 - 商品三部分图以减少社交图中的边数和路径的复杂性，分别使用个性化的 PageRank 传播方案对组 - 用户图和用户 - 商品图中的节点进行嵌入，并使用一种注意机制将每个图中的节点嵌入进行集成，解决了图神经网络在社交推荐中的过度平滑问题，并在大规模真实世界数据集上证明了该方法优于其他基线的性能。

Jul, 2019

个性化推荐系统在挖掘用户的偏好方面起着重要作用。本文提出了一种基于兴趣群组的增强推荐方法，通过在在线社交平台上用户的群组参与行为中获取兴趣信息，有效地缓解数据稀疏和冷启动问题，从而增强推荐系统的性能。

Nov, 2023

该论文提出了一种基于图注意机制和变压器结构的新闻推荐方法，可以通过对历史用户点击行为的图谱表达用户和新闻相关性，进而学习用户和新闻的表征，实现个性化推荐。

Mar, 2020

提出一种新的图级表示学习方法 —— 将整个图形嵌入到一个向量空间中，其中两个图形的嵌入保持其图形 - 图形的关联性。UGRAPHEMB 是一种通用框架，提供了一种全面的无监督和归纳式图级嵌入方法。 通过多尺度节点关注（MSNA）提出一种新的图级嵌入生成机制。在五个真实图形数据集上进行的实验表明，UGRAPHEMB 在图分类、相似性排名和图形可视化任务中具有竞争力的准确性。

Apr, 2019