研究采用邻域聚合操作来简化 GCN 模型设计，提出了名为 LightGCN 的新模型，用于协同过滤任务上取得了比基于 GCN 的 Neural Graph Collaborative Filtering 模型高出 16.0% 的性能改善，分析表明 LightGCN 相比于其他 GCN-based 推荐模型更加合理且易于实现和训练。

Feb, 2020

本文通过图信号处理的角度，研究了基于图卷积网络 (GCNs) 的协作过滤 (CF) 方法的理论，提出了基于图卷积的统一框架，证明了现有的许多 CF 方法都是这个框架的特例，包括邻域方法、低秩矩阵分解、线性自编码器和 LightGCN 等，提出了基于图滤波的协作过滤 (GF-CF) 作为基准模型，在三个知名数据集上实验表明，GF-CF 与基于深度学习的方法相比性能更强，在 Amazon-book 数据集上比 LightGCN 的性能提升了 70%。

Aug, 2021

本文介绍了基于图卷积网络的推荐算法，提出了一种简化的模型 UltraGCN，通过限制损失函数直接逼近无限层图卷积的极限来替代昂贵的消息传递过程。通过实验表明，UltraGCN 相比现有的 GCN 模型和 LightGCN 有较大提升，并且训练速度有 10 倍以上的加速。

Oct, 2021

本文提出了一个叫做 Scattering GCN 的方法，将传统图卷积神经网络与几何散射变换和残差卷积相结合，以提高半监督节点分类的性能。实验结果显示，与最新提出的图神经网络相比，这种方法在处理图数据时具有优越性能。

Mar, 2020

该论文首先认为当前的 GCN 模型较难训练，而且容易出现平滑过度和容易受到对抗攻击的问题；该论文提出了一种有效的方法来处理这些问题，通过使用简单的 GCN 模型单独聚合不同阶邻居的信息，然后通过层级的累加来消除这些问题，并且在实验数据集上证明了该模型的有效性和鲁棒性。

Apr, 2020

本文提出了一种改进的基于谱的图卷积网络，通过利用重新定义的拉普拉斯矩阵改进传播模型，可以直接处理定向图，并在半监督节点分类任务中表现出比当前最先进的方法更好的效果。

Jul, 2019

通过对 Graph Convolutional Networks 在推荐系统中的应用进行研究，提出了一种名为 SVD-GCN 的简化 GCN 学习的范例，并通过该方法仅利用 K 个最大奇异向量来提高推荐系统的性能，大幅度缓解了平滑问题。实验证明，该方法不仅显著优于现有技术，而且相对于 LightGCN 和 MF 分别实现了 100x 和 10x 的加速效果。

Aug, 2022

为了应用 Graph Convolutional Network 到大规模图上，我们提出了一种 Low-pass Collaborative Filter 算法来清除噪声并降低计算复杂度，实验结果表明这种算法可以有效提高图卷积的效果和效率。

Jun, 2020

该研究论文提出了一种新颖的基于 Interest-aware Message-Passing GCN 的推荐模型，通过在用户兴趣相似的子图中进行高阶图卷积操作，避免了过度平滑问题，其在三个基准数据集上的实验结果表明，该模型可以通过叠加更多的层次获得性能提升，并且在 GCN-based 推荐模型上显著优于现有的最佳模型。

Feb, 2021

通过消除 GCN 中的不必要的非线性和权重矩阵，我们提出了一种线性模型，它对应于一个固定的低通滤波器，然后是一个线性分类器。 在许多下游应用中，我们的实验评估表明这种简化并不会对精度产生负面影响。 此外，由于我们的模型简化减少了计算量，因此我们的模型在更大的数据集上具有可扩展性，并且具有更快的推理速度。

Feb, 2019