提出了一种新的自我监督推荐框架 HCCF，它利用超图增强交叉视角对比学习体系结构共同捕捉本地和全局协作关系，结合超图结构编码和自我监督学习来增强推荐系统的表示质量，并通过三个基准数据集的广泛实验证明了其优越性和稀疏用户交互数据的鲁棒性。
Apr, 2022
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
设计了一种多行为超图增强 Transformer 框架（MBHT），用于捕获基于多个交互类型的短期和长期行为依赖关系，该框架通过低秩自注意力和超图神经网络结构实现。
Jul, 2022
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
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
提出了一种拓扑引导的超图变换网络，通过保留结构本质学习图中的高阶关系，设计了简洁而有效的结构和空间编码模块将节点的拓扑和空间信息融入其表示，并提出了一种结构感知的自注意机制，从语义和结构角度发现重要节点和超边。实验证明，所提模型在节点分类任务上的性能始终优于现有方法。
Oct, 2023
我们提出了一个新颖的自监督预训练框架，用于异构超图的自监督预训练。该方法能够在数据中自主捕捉实体之间的高阶关系，并在超图中使用信息表示来同时学习实体的局部和全局表示。实验结果表明，我们的框架能够提高各种超图模型在不同下游任务上的性能。
Nov, 2023
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
提出了一种结合 GNN 和 Transformer 的新框架，利用 GNN 的局部信息汇聚和 Transformer 的全局信息建模能力解决过度平滑问题，构建了 GTC 体系结构，通过对跨视图信息进行自我监督的对比学习任务实现异构图形表示学习。
Mar, 2024
本文提出了一种名为 “自监督图学习” 的新学习范式，通过生成多个节点视图，使用节点丢弃、边丢弃和随机游走三种不同的图结构方式来增强基于用户 - 物品图的图卷积网络的表示学习性能，从而提高推荐的准确性和鲁棒性。理论分析和三个基准数据集上的实证结果验证了该方法的有效性。
Oct, 2020