通过引入知识图谱的图卷积神经网络模型加入历史交互数据，再通过协作引导机制提取知识图谱信息实现个性化推荐，实验证明该模型在 Top-K 推荐任务中的召回率指标显著高于现有最新模型。

Sep, 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

本文提出了一种图神经网络框架（GraphRec）用于社交推荐，该框架可以共同模拟两个图形和异构强度，并对用户 - 项目图形中的交互和观点进行联合捕获。

Feb, 2019

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

本研究提出了一种新的基于层次图神经网络的社会化推荐框架（SR-HGNN），以解决现有社交推荐模型难以完全探索多类型用户 - 物品交互行为及跨关系相互依存关系这两个问题的挑战，并通过三个公共基准测试表明 SR-HGNN 明显优于现有技术的推荐方法。

Oct, 2021

探索用户偏好相关的富含语义关联的知识图谱，提供能够适应用户环境的推荐系统框架，并在其中包含上下文。

Oct, 2023

该论文介绍了一种名为 RKGCN 的端到端深度学习模型，使用知识图来提高模型的可解释性和准确性，能够基于用户偏好提供更个性化、相关性更高的推荐，在三个真实场景的实验结果中优于五个基准模型。

May, 2023

本文设计了一种采用图神经网络的联邦学习框架 FeSoG，以解决传统社交推荐算法中的隐私问题，并在三个真实数据集上评估其有效性。

Nov, 2021

本文综述了基于图神经网络的知识感知深度推荐系统的现状和发展方向，重点讨论了核心组件 —— 图嵌入模块，以及它们如何解决实际推荐问题，例如规模扩展，冷启动等，并总结了常用的基准数据集、评估指标和开源代码。

Mar, 2020

使用知识图谱信息的一种新型图神经网络推荐模型 (KGLN) 被开发出来，以提高个性化推荐的准确性和有效性。该模型通过合并图中的个体节点特征并调整相邻实体的聚合权重，通过迭代使模型从单层发展到多层，并将实体和用户的特征整合在一起产生推荐得分。在对 MovieLen-1M 和 Book-Crossing 数据集进行测试时，KGLN 相对于 LibFM、DeepFM、Wide&Deep 和 RippleNet 等已建立的基准方法，分别显示出了 0.3% 至 5.9% 和 1.1% 至 8.2% 的 AUC (ROC 曲线下面积) 改进。

Dec, 2023