本文提出一种基于异构网络嵌入的方法 HERec 来解决 HIN-based 推荐系统中的冷启动问题，该方法通过设计基于元路径的随机游走策略来嵌入 HINs，并通过一组融合函数将学习到的节点嵌入首先转换为扩展矩阵分解模型。HERec 模型通过实验表明其有效性，并表明从 HINs 转换的嵌入信息可以改善推荐性能。

Nov, 2017

本论文提出了一种名为 NIRec 的邻域交互模型，旨在提高基于异构信息网络的推荐性能，通过探索节点互动模式并采用卷积方式进行有效的学习，本模型较现有方法表现更佳。

Jul, 2020

本文提出了一种隐私保护的图神经网络推荐模型，该模型采用联邦学习的方式对分散的用户数据进行训练，并采用本地差分隐私技术对用户隐私进行保护，同时通过用户 - 物品图扩展方法拓展本地用户 - 物品图来增强推荐效果，并在六个基准数据集上进行了广泛实验验证。

Feb, 2021

本研究介绍了一种新的原型增强的超图学习方法，用于异构信息网络中的节点分类，通过使用超图而不是图来捕捉节点之间的高阶关系和提取语义信息，方法利用原型的力量提升超图学习过程的稳健性，并有潜力为人类提供理解底层网络结构的见解。对三个真实世界的异构信息网络进行了广泛实验验证了我们的方法的有效性。

Sep, 2023

本研究提出了 DGREC，一种新的分散式图神经网络推荐系统，用于保护隐私，在用户选择公开其互动时仍能确保通信效率和隐私保护。

Aug, 2023

本文介绍了一种基于超图的分布式节点嵌入学习框架 DeHIN，通过分布式的超图划分和开发基于超图的并行化节点嵌入算法，实现了对异构信息网络的高效节点嵌入学习和分布式处理。

Jan, 2022

本文提出了 FedHGN，这是一种新颖而通用的 FGL 框架，用于异构图神经网络，采用模式权重分离来启用模式不可知知识共享，并采用系数对齐来稳定训练过程和提高 HGNN 性能，确保更好的隐私保护，FedHGN 在三个异构图数据集上的表现优于本地训练和传统的 FL 方法。

May, 2023

本文设计了一种采用图神经网络的联邦学习框架 FeSoG，以解决传统社交推荐算法中的隐私问题，并在三个真实数据集上评估其有效性。

Nov, 2021

通过识别真实数据集中的模式、统计图数据以及构建合成网络，我们提出了 SynHIN 方法，用于生成合成的异构信息网络和图数据集，并为解释性异构图神经网络提供了一个基准数据集，从而朝着可解释的人工智能在异构图神经网络中迈出了重要的一步。

Jan, 2024

本文提出了一种名为 “异构图传播” 的新图嵌入方法，通过使用组 - 用户 - 商品三部分图以减少社交图中的边数和路径的复杂性，分别使用个性化的 PageRank 传播方案对组 - 用户图和用户 - 商品图中的节点进行嵌入，并使用一种注意机制将每个图中的节点嵌入进行集成，解决了图神经网络在社交推荐中的过度平滑问题，并在大规模真实世界数据集上证明了该方法优于其他基线的性能。

Jul, 2019