该论文提出一种名为 DGCF 的动态图协同过滤框架，利用动态图来同时捕捉项目和用户的协作和顺序关系，以解决传统的序列模型无法准确捕捉协作信息的问题，并在实验中表现出优越的性能。

Jan, 2021

本研究探讨了机器学习在推荐系统中的应用，分析了用户动态和推荐系统行为对 “回声室” 和 “筛选气泡” 现象的影响及其解决方案。该研究有助于理解和解决该领域仍然存在的复杂时间情景及其常见问题。

Feb, 2019

通过提出 CF-Diff 方法，结合扩展的协作标志、多跳邻居以及交叉注意力引导的多跳自动编码器（CAM-AE），克服了现有扩散模型推荐系统在准确推荐方面无法明确利用包含关键协作信号的高阶连接问题。实验证明，CF-Diff 在三个真实世界数据集上优于基准推荐方法，相对最佳竞争对手的表现可达到 7.29％的显著增益，并确保了计算效率与用户或物品数量呈线性比例。

Apr, 2024

研究了协同过滤方法中用户和商品之间的图模型，提出了一种新的多组件图卷积协同过滤算法 (MCCF)，旨在区分观察到的显式用户 - 商品交互背后的购买动机。该算法通过分解和组合两个模块，设计了一种新的方式以获得对用户消费行为的高精度预测，实验结果表明，该算法不仅在三个真实数据集上表现优异，而且还证明了考虑多个组件的必要性。

Nov, 2019

本研究探究回推协作过滤算法中被反馈循环所影响的用户评分矩阵，提出了衡量推荐系统对其整个评分矩阵影响的度量，并通过合成和实际数据集验证了其在还原固有用户偏好上的可用性。

Mar, 2017

使用神经模型通过条件扩散框架来恢复掩盖的反馈，在隐式反馈数据上实现了前向扩散，利用图傅里叶变换在图谱域中等效地表征模型，并在一个数据集上大幅超越最先进的方法，并在其他数据集上获得有竞争力的结果。

Nov, 2023

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

本文提出了一个基于图卷积的推荐框架，名为 Multi-GCCF，该框架利用了用户项目交互数据和用户对和项目对之间的相似性来建立分区图和 user-user /item-item 图，并在双分图上执行图卷积，在四个公共基准测试中取得较显著的改进，证明了模型的有效性以及学习的嵌入捕获了重要的关系结构。

Jan, 2020

通过合成反馈循环 (CF-SFL) 来模拟用户反馈的学习框架提高传统协作过滤 (CF) 的推荐系统，能够以更好的结果在多个数据集上提升用户体验。

Oct, 2019

基于谱变换的方法提出设计 JGCF, 该方法有效地处理稀疏数据集与冷启动用户，并在四个公共数据集上实验表明其在阿里巴巴 - iFashion 等数据集中的性能最高可带来 27.06% 的性能提升

Jun, 2023