在电子商务搜索中，我们提出了一种名为轻量级端到端图兴趣网络（EGIN）的新方法，通过利用搜索系统中查询和项目的相关性和顺序信息构建异构图，以提高点击率（CTR）的预测。

Jun, 2024

本研究通过将知识图谱嵌入汽车购买 / 销售领域，旨在构建个性化推荐系统，并通过实验证明所提出的方法能够提供与个体用户一致的相关推荐。

Jul, 2023

本文提出一种新颖的认知图层（EGLayer），以实现深度模型和结构化知识图间信息更有效交换，进而实现更有效的表示学习，从而将人类混合学习应用于计算机视觉任务。

May, 2023

本文提出了一种半去中心化的联邦图神经网络推荐框架（SemiDFEGL），它通过设备之间的合作来提高可扩展性并降低通信成本，并创新地利用预测的互动项目节点来连接孤立的 Ego 图以增强本地子图，进而以隐私保护的方式使用高阶用户 - 项协同信息。此外，该框架面向模型，可以与现有的图神经网络推荐方法和隐私保护技术无缝集成。实验结果表明，与其他联邦推荐方法相比，所提出的 SemiDFEGL 具有较高的性能优势。

Feb, 2023

本文旨在在推荐系统中将知识图谱引入，特别考虑了不完整的知识图谱，并通过关系传递实现对用户偏好的理解，提高了推荐性能。通过联合训练建议模型和知识图谱完成模型，综合多个迁移模式，表现出卓越的性能

Feb, 2019

这篇论文提出了一种名为动态序列图学习（DSGL）的新方法，通过利用用户或物品相关的本地子图的协同信息来增强用户或物品的表示，以预测点击率。DSGL 使用底部向上的方法在动态顺序图中进行图卷积操作，设计了一个考虑时间信息和时间依赖性的时态序列编码层，并提出了一个目标 - 偏好双重注意层，以搜索与目标相关的行为部分并减轻来自不可靠邻居的噪声。实验结果表明，DSGL 方法可以提高 CTR 预测的准确性。

Sep, 2021

本文提出了一种基于自动图学习的注意力多图神经网络 (A2GNN)，旨在挖掘时间序列多实体预测中的显式和隐式关系，并使每个实体动态注意其首选关系，实验表明 A2GNN 优于现有的一些最新方法。

Feb, 2022

本文提出了一种基于神经网络和图增强的点击模型 (GraphCM)，通过在构造的同质图中提取查询和文档之间的信息，分别对吸引力评估器和考试预测器进行建模，通过组合功能将考试概率和吸引力评分融合到点击预测中，综合实验结果表明其在处理数据稀疏性和冷启动问题方面具有优越性能。

Jun, 2022

个性化推荐系统在挖掘用户的偏好方面起着重要作用。本文提出了一种基于兴趣群组的增强推荐方法，通过在在线社交平台上用户的群组参与行为中获取兴趣信息，有效地缓解数据稀疏和冷启动问题，从而增强推荐系统的性能。

Nov, 2023

本文提出了一种新的实体对齐框架，使用基于图结构的弱优化的图对比学习算法和 PageRank 算法，结合两个学习目标：对比学习和最优传输学习，以利用实体之间的结构相似性来解决具有悬挂实体的实体对齐问题。实验结果表明这种方法在处理传统（宽松）和悬挂（聚合）实体对齐情况时，比当前最先进的基于纯结构信息的方法具有更好的性能。

Apr, 2023