提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

May, 2022

推荐算法中的图协同过滤方法通过引入图对比学习 (GCL) 来缓解数据稀疏性，然而这些基于 GCL 的协同过滤模型中的随机负采样策略忽略了用户（物品）的语义结构，从而引入了假阴性且忽略了潜在的正样本。为解决上述问题，我们提出了一种面向推荐的拓扑感知去偏自监督图学习 (TDSGL) 方法，根据用户（物品）间的语义相似性构建对比对。实验结果表明，所提出的模型在三个公开数据集上显著优于现有模型。

Oct, 2023

基于图卷积网络，提出了深度对比图学习模型（DCGL），用于一般数据聚类。该模型通过建立伪孪生网络，将自编码器与图卷积网络相结合，强调图结构和原始特征，并引入特征级对比学习来增强判别能力，利用样本与质心之间的关系作为聚类导向指引。然后，设计了双分支图学习机制来提取局部和全局结构关系，并在聚类级别对比指导下将其嵌入到统一的图中。在几个基准数据集上的实验结果表明，DCGL 相对于现有算法具有优越性。

Feb, 2024

我们提出了一种新颖的长尾增强图对比学习（LAGCL）方法，通过引入可学习的长尾增强方法来增强尾节点，并基于增强的图生成对比视图，显著改善了推荐系统的性能。

Sep, 2023

本文研究了在深度候选生成（DCG）中使用对比学习的有效性，理论证明了对比损失函数等效于通过逆倾向加权来减少暴露偏差，并提出了 CLRec 和 Multi-CLRec 方法用于改善大规模推荐系统的公平性、效率和准确性。该方法在淘宝上的四个月在线 A/B 测试和离线分析中表现出显著的改善，包括 Matthew 效应的显著降低。

May, 2020

本篇研究提出了一种基于图神经网络和图对比学习的协作过滤框架，通过自我监督学习进行自适应增强，实现目的的解耦和噪声抑制，将学习到的解耦表示与全局上下文结合，相比于现有的解决方案，具有更好的性能表现。

May, 2023

本文提出了一种新的图对比学习范式 LightGCL，基于奇异值分解对图的对比增强进行单一约束结构的调整，在推荐系统领域具有显著的性能优势和鲁棒性。

Feb, 2023

提出了一种名为 Bilateral Unsymmetrical Graph Contrastive Learning（BusGCL）的新框架，该框架考虑了用户 - 物品节点关系密度的双侧不对称性，通过双侧切片对比训练更好地推理用户和物品图，并使用超图卷积网络（GCN）生成的嵌入来挖掘隐含相似性，该方法在推荐任务中表现出优越性。

Mar, 2024

本文提出了一种名为双视角跨图对比学习（DC-GCL）的创新框架，通过增强正样本多样性和可靠性，提供了更多样化和可靠的训练输入，相较于传统的图对比学习方法，DC-GCL 能够在各种基准测试和任务中显著提高性能。

Jun, 2024

本文提出了一种新的多层交叉视角对比学习机制 MCCLK，包含三个图视角：全局结构视角、本地合作和语义视角，在语义视角中，还提出了一个 k 最近邻（kNN）项 - 项语义图构建模块，以捕捉通常被忽略的重要项 - 项语义关系，在三个基准数据集上进行了广泛的实验，结果表明了我们的方法优于现有技术。

Apr, 2022