该研究提出了一种基于图模型的新方法 ——Disentangled Graph Collaborative Filtering（DGCF），用于在用户意图的更细粒度的层次上进行用户 - 物品关系建模和表示学习，以解决现有协同过滤方法中用户兴趣多样性建模的问题，并实现优于几种最先进的模型的结果。

Jul, 2020

本文提出了一种名为 MITGNN 的新框架，旨在处理篮子推荐中存在的多种意图的问题，并使用多头聚合器学习关系向量和邻居聚合，从而加强用户和物品的嵌入学习。

Oct, 2020

我们提出了一种基于多意图解缠的对比学习序列推荐方法（MIDCL），通过识别动态多样的意图，针对用户行为进行推荐，实现了超越大多数现有基准方法的性能，并为基于意图的预测和推荐研究带来了更可解释的案例。

Apr, 2024

该研究提出了一种名为 “KGIN” 的知识图谱意图网络模型，应用了关注机制的思想，能够更准确地表达用户与物品之间的相关性，实现了基于图神经网络的推荐系统并取得了显著的性能提升。

Feb, 2021

本研究提出了一种名为 BGCN 的图神经网络模型，可以使用异构图同时建模用户 - 项目交互，用户 - 套餐交互和套餐 - 项目关联，通过固定负样本采样进行训练，能够更好地区分用户对相似套餐的喜好，并且在两个真实世界数据集上展现了强大性能的提升

May, 2020

本文提出了多视图项网络 (MVIN) 模型，利用知识图谱来解决推荐系统冷启动和稀疏性问题，并通过 GNN 学习特征，从用户视角和实体视角的混合视角描述每个项，结果表明 MVIN 模型在三个真实世界数据集上显著优于现有方法，并且其混合图层在邻域信息聚合中发挥了至关重要的作用。

May, 2020

提出了一种双意图增强图神经网络模型来解决基于会话的推荐系统中新物品推荐难的问题，通过零样本学习方法推理新物品在 GNN 空间中的表示，并利用双意图网络从历史数据中学习用户意图，最终给出新物品的推荐概率。实验结果表明，该方法优于传统方法。

May, 2023

该研究提出了一种名为 BGN 的捆绑列表生成网络，使用 DPP 将个性化捆绑列表推荐问题分解为质量和多样性两个部分，并通过使用特征感知 softmax 来改善传统 softmax 表示的不足。BGN 在四个数据集上显着优于现有方法，特别是在捆绑列表推荐问题中，将最佳竞争对手的精度平均提高了 16％，同时保持了四个数据集中最高的多样性，并使响应时间提高了 3.85 倍。

Apr, 2019

本研究通过对 LinkedIn 等在线社交平台数据的深入分析，提出了一种名为 Dynamic Intent Guided Meta Network（DIGMN）的模型，该模型能够准确预测用户的多种不同意图下的参与度，具有很高的实用价值。

Oct, 2022

本研究提出一种基于语义多视图模型的任务导向对话系统，通过 SBERT 进行通用嵌入（GE）， 使用 Multi Domain Batch（MDB） 学习多个对话领域的知识，并使用 Proxy Gradient Transfer（PGT）进行语义聚类，实现了对实际世界中的新意图检测和诱导的解决方案。实验结果显示，与基准系统相比，我们的多视图模型与 MDB 和 PGT 显著提高了 Open Intent Induction 表现。

Mar, 2023