本文提出了一种新的用户兴趣表示模型 —— 超立方体模型，能够较好地建模用户兴趣，通过计算用户超立方体与物品之间的组合距离，可以更好地捕捉用户兴趣的多样性，实验结果表明，该模型优于现有的协同过滤方法并取得了很好的推荐效果。

Nov, 2020

本文提出了一种基于超边嵌入的层次化组推荐算法 HyperGroup，在考虑群组内部成员相似性，通过利用用户间的交互信息来解决用户关系稀疏性问题，同时结合 GNN 实现个人与群组的表示学习，通过构建超图和超边嵌入技术，增强了群组内的相似性，在两个真实数据集上的实验结果证明了该算法的优越性。

Mar, 2021

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

HyperCube 网络引入了一种新的方法来自主发现数据中的对称群结构，该方法利用了唯一因子化架构和新颖的正则化器，以朝向学习正交表示的有力归纳偏置，并成功地从部分观察到的数据中高效地学习了一般的群操作，同时恢复了完整的操作表，这些因子直接对应于底层群的精确矩阵表示，而且这些因子捕捉到了群的完整不可约表示集合，形成执行群卷积的广义傅里叶基础。大量与群和非群符号操作的实验显示，与 Transformer 基准相比，HyperCube 在训练速度上表现出了显著的 100-1000 倍改进和 2-10 倍的更高样本效率，这些结果表明我们的方法开启了一类能够利用数据内在对称性的深度学习模型，从而在性能和广泛适用性上取得了显著的改进。

Feb, 2024

提出了一种新的算法，称为 BoxGNN，通过组合逻辑操作来执行消息聚合，从而融合高阶信号，并通过基于体积的学习目标和 Gumbel 平滑技术来优化盒子的表示。在两个公开数据集和一个 LLM 增强的电子商务数据集上的大量实验验证了 BoxGNN 相对于各种最先进的基线方法的优越性。

Jun, 2024

通过将符号数据嵌入超载空间（或更确切地说是 n 维庞加莱球）来学习符号数据的分层表示的方法，通过实验证明 Poincare 嵌入在具有潜在层次结构的数据上显着优于欧几里得嵌入，无论是在表示能力还是泛化能力方面。

May, 2017

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

本文通过研究在非欧几里得空间中学习用户和项目表示的概念，探讨了超宇称空间中度量学习和协同过滤之间的联系，旨在通过度量学习方法填补欧几里得和双曲几何之间的差距。作者提出了概念简单但高效的 HyperML（超宇称度量学习）模型，通过一系列广泛的实验，证明了该模型不仅优于欧几里得模型，还实现了多个基准数据集的最佳表现，展示了双曲几何中个性化推荐的有效性。

Sep, 2018

本文中介绍了一种基于超螺旋空间的个性化推荐模型，其中使用了知识图谱、超螺旋空间和自适应的正则化机制，通过在三个真实数据集上的实验表明，相较于最先进的现有模型，该模型在 NDCG@K 上的推荐效果提高了 2-16%。

Jan, 2021

为建立成功的推荐系统，我们需要针对用户偏好和物品属性描述寻找关键维度，其中在像服装推荐等领域，将用户偏好解释为建模所需的物品的视觉外观也使得推荐变得更具挑战性，因此本论文提出了一种采用新型层次嵌入结构，可以同时考虑高层次（颜色、暗度等）和微妙（例如休闲度）的视觉特征维度，以应对真实世界数据集的稀疏性、可变性和规模。

Apr, 2016