本文提出了一种名为 SINCERE 的新方法，通过在共同进化的 Riemann 流形上表示序列交互网络，不仅考虑了各自空间中用户和项目嵌入轨迹，还强调了曲率随时间的演变。

May, 2023

通过在 Riemannian 空间中协作进行网络内和网络间行为的对比模型 RCoCo，我们提出了一种新颖的 “几何感知多层网络中的集体链接预测” 方法，该方法通过估计网络上的 Ricci 曲率来实施 Riemannian 流形中的注意机制，最终在 8 个真实世界数据集上的广泛实验结果证明了 RCoCo 的有效性。

Mar, 2024

提出了一个新的端到端的对比式图聚类模型 CONGREGATE，通过构建一个理论上的异质曲率空间，并利用基于 Ricci 曲率的几何学图聚类方法，通过对比训练方法，成功地解决了图形聚类中的几何难点，并在真实世界中的图形上取得了最先进的成果。

May, 2023

本研究提出了一种新的通用框架，用于学习嵌入非欧几里德流形空间的空间网络的表示，通过结合图拓扑和空间几何，以边上的信息形式提取空间几何，保证学习到的表示对重要的对称性具有不变性，并能够区分不同的几何结构。通过对合成和真实世界数据集的大量实验证明了该方法的优势。

Dec, 2023

本文提出了一种自监督表征学习方法，它将对比学习与动态模型相结合，以协同地实现三个目标，即通过最大化信息 NCE 界来诱导线性预测嵌入，通过显式学习非线性转换模型进一步提高学习嵌入的马尔可夫性以及最大化下一嵌入的互信息，其基于当前动作和当前状态的两个独立增强的嵌入预测，实验表明，与基于对比学习或重建的现有方法相比，我们的方法在样本效率和泛化性能上都取得了更好的结果。

Mar, 2022

本文介绍了一种名为神经关系推断（NRI）模型的非监督学习算法，该模型可以在学习动态过程的同时推断系统组成部分之间的相互作用，通过真实场景的一系列实验表明该模型可以准确地预测从运动捕捉和运动追踪数据中推断出的社交网络组成部分之间的关系和运动的复杂动态。

Feb, 2018

通过改进 InfoNCE 的 Supervised InfoNCE REvisited（SINCERE）损失函数，我们提出了一种理论上合理的自监督深度学习方法，可以有效防止同类图像在嵌入空间中互相排斥，从而提高预训练过程中的类别嵌入分离性和最终线性分类器的性能。

Sep, 2023

本文提出了一种基于深度神经网络的协同式时序推荐网络（CSRNs）框架，将利用用户最近的浏览历史来预测未来事项的 RNN 序列推荐方法与 UserCF 的关键想法相结合，考虑到新闻阅读中的社会影响，通过建立用户之间的定向共读网络来捕捉细粒度的主题特定的相似性，并利用邻居模型来选择新闻文章并进行个性化推荐，实验表明，该模型明显优于现有的最先进方法。

Apr, 2020

本文提出了一种名为 Sparse Interest Network（SINE）的方法，该方法使用 sparse-interest 模块自适应地为每个用户推断出一个稀疏的概念集，并相应地输出多个嵌入，以明确建模多个兴趣点用于下一个项目的推荐。

Feb, 2021

本文提出了一种名为 PHGR 的 Poincaré 异构图神经网络，用于同时建模顺序模式信息和 SR 场景数据中包含的层次信息。 PHGR 通过定义新的双曲内积运算符，直接在 Poincaré 球中进行全局和局部图表示学习，而不是在 Poincaré 球和欧几里得空间之间的常用投影操作，从而缓解了普通双向平移过程的累积误差问题。实证评估表明，PHGR 优于几种比较方法。

May, 2022