本文提出了 Knowledge Graph Convolutional Networks (KGCN) 的方法，通过在知识图谱上挖掘和利用互相关联的属性来有效地捕捉物品之间的相关性，扩展感受野以建模高阶邻近信息，并将邻居信息与偏差相结合计算给定实体的表示，以优化协同过滤型推荐系统的性能。实验结果表明，该方法在电影、图书和音乐推荐的三个数据集上优于强基线算法。
Mar, 2019
本篇研究提出了一种基于 Attentional Heterogeneous Graph Convolutional Deep Knowledge Recommender (ACKRec) 的方法来解决 MOOC 中的知识概念推荐问题，并使用元路径指导学生偏好的传播，并且使用注意力机制来自适应性地融合不同学生的上下文信息，以有效地推荐 MOOC 在线学习中的知识概念。
Jun, 2020
提出了一种名为 KGAT 的新方法，它结合了知识图谱和嵌入传播技术，旨在显式地建模知识图谱中的高阶关系以提高推荐准确性，并采用注意机制以区分邻居的重要性。实验结果表明 KGAT 显著优于现有的基于知识图谱的推荐方法
May, 2019
通过引入知识图谱的图卷积神经网络模型加入历史交互数据，再通过协作引导机制提取知识图谱信息实现个性化推荐，实验证明该模型在 Top-K 推荐任务中的召回率指标显著高于现有最新模型。
Sep, 2021
该研究提出了一种名为 CGAT 的新型推荐框架，可以明确地利用实体在知识图中的本地和非本地图上下文信息，以实现个性化的推荐，这可以通过一种偏向性随机游走采样过程来提取实体的非本地上下文，并利用 RNN 来模拟实体和其非本地上下文实体之间的依赖关系
Apr, 2020
本研究提出了一种新的框架 -- 基于知识嵌入的图卷积网络 (KE-GCN)，该框架充分利用了复杂图形的丰富结构信息，并针对图的异构性和节点更新问题进行改进，优于具有同类基线方法的表现。
该研究论文提出了基于注意力机制的特征嵌入方法，能有效地捕捉到三元组周边复杂和隐式的信息，并在多个数据集上相对于现有方法实现了显著的性能提升。
Jun, 2019
本文提出了一种新的空间 - 时间神经网络框架 ASTGCRN，其中包括图卷积循环模块 GCRN 和全局注意力模块，以有效地对运输数据进行复杂的时空依赖性和相关性建模，并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明，这三个模型均具有极佳的预测表现优于基准方法。
Feb, 2023
提出了一种名为图知识增强和蒸馏模块的插件，通过多头注意机制提取和聚合图信息以增强节点表示，并能通过特殊设计的注意力蒸馏方法将大型教师模型的知识蒸馏到高性能和紧凑的学生模型中，并通过注意力蒸馏有效地从大型教师网络转移蒸馏知识到小型学生网络。
Mar, 2024
探索用户偏好相关的富含语义关联的知识图谱，提供能够适应用户环境的推荐系统框架，并在其中包含上下文。
Oct, 2023