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

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

本文提出了一种基于超图的卷积网络模型 DHCN，通过建模会话数据为超图并将自监督学习整合到网络的训练中，从而提高了会话推荐任务的准确性。在三个基准数据集上进行广泛实验，证明了该模型在普遍情况下胜过基线模型。

Dec, 2020

该研究提出了一种新的对话式推荐框架 SR-GCL，该框架基于对话图模型，采用对比学习和全局上下文增强数据增强方法来提升推荐性能，并在两个真实的电子商务数据集上进行了广泛的实验，表明相较于其他最先进的方法，SR-GCL 具有卓越的性能。

Sep, 2022

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

本文提出了一个集成 tri-training 的通用社交感知的自监督学习框架，将节点间的自我监督信号与其他节点的监督信号结合起来，以提高推荐系统性能。实验证明了该框架的有效性。

Jun, 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

我们提出了一种名为自我监督图神经网络（SelfGNN）的新型框架，用于顺序推荐。该框架通过时间间隔对短期图进行编码，并利用图神经网络（GNN）学习短期协作关系。它通过间隔融合和动态行为建模，在多个粒度级别捕捉长期用户和物品表示。我们的个性化自增强学习结构通过根据长期用户兴趣和个人稳定性减轻短期图中的噪声，增强了模型的鲁棒性。广泛的实验证明，SelfGNN 优于各种最先进的基线模型。

May, 2024

本文提出了一种利用多样化的注意力网络分析会话间关系，考虑用户信息生成会话表示和用户表示，从而实现改进推荐系统的效果的模型，并在多个真实数据集上取得了优异的性能。

May, 2022