本文提出了一种基于图卷积网络和对抗训练的深度框架，以解决社交推荐系统中的一些问题，如噪声、局限性和异质性等，实验证明该框架在多个开放数据集上具有卓越的推荐性能。

Apr, 2020

本文提出了一种基于图卷积神经网络的社交推荐模型，通过捕捉信息在社交网络中的扩散进程来影响用户偏好，使得模型在两个真实数据集上展现出了很好的性能。

Nov, 2018

研究采用邻域聚合操作来简化 GCN 模型设计，提出了名为 LightGCN 的新模型，用于协同过滤任务上取得了比基于 GCN 的 Neural Graph Collaborative Filtering 模型高出 16.0% 的性能改善，分析表明 LightGCN 相比于其他 GCN-based 推荐模型更加合理且易于实现和训练。

Feb, 2020

该研究论文提出了一种新颖的基于 Interest-aware Message-Passing GCN 的推荐模型，通过在用户兴趣相似的子图中进行高阶图卷积操作，避免了过度平滑问题，其在三个基准数据集上的实验结果表明，该模型可以通过叠加更多的层次获得性能提升，并且在 GCN-based 推荐模型上显著优于现有的最佳模型。

Feb, 2021

本篇论文介绍了一种针对用户和物品全新的上下文交互信号建模方法，通过构建多部分图来表示复杂的交互模式，并进一步使用图卷积网络（Graph Convolutional Networks）提高推荐系统的表现。

Mar, 2021

本文介绍了一种名为 STAR-GCN 的新型图卷积神经网络模型，用于推荐系统中节点表示的学习，尤其是在冷启动场景中。STAR-GCN 采用一堆 GCN 编码器 - 解码器和中间监督来提高最终预测性能。与具有一次性编码节点输入的图卷积矩阵完成模型不同，STAR-GCN 学习低维度的用户和项目潜在因素作为输入，以抑制模型空间复杂性。此外，STAR-GCN 可以通过重构蒙版输入节点嵌入来为新节点产生节点嵌入，从而本质上解决了冷启动问题。此外，我们还发现了训练 GCN 模型进行链接预测任务时的标签泄漏问题，并提出了一种训练策略以避免这个问题。我们在多个评分预测数据集上进行了实证研究，结果表明我们的模型在五个真实世界数据集中的四个中实现了最先进的性能，并且在预测冷启动场景中的评分方面显示出了显著的改进。

May, 2019

利用图神经网络（GNN）和句子转换器嵌入，我们介绍了一个新颖模型，用于预测不同用户的动漫推荐。我们的模型不仅向用户推荐动漫，还预测特定用户对动漫的评分。该模型的混合化使我们能够捕捉动漫数据的跨层级和层级内特征。我们采用 GraphSAGE 网络进行模型构建，并使用加权均方根误差（RMSE）评估模型的性能。我们的方法有潜力显著提高动漫推荐系统的准确性和效果，并可以推广到其他需要个性化推荐的领域。

Oct, 2023

该论文提出了一种基于全空间双曲几何的图卷积网络模型，以更准确地捕捉用户 - 项目的交互关系，并在公共基准数据集上实验表明其性能优于欧几里得空间和双曲空间的对应方法，且达到可比较的性能只需要更低的嵌入维度。

Aug, 2021

本文提出了一种图神经网络框架（GraphRec）用于社交推荐，该框架可以共同模拟两个图形和异构强度，并对用户 - 项目图形中的交互和观点进行联合捕获。

Feb, 2019

本研究通过图卷积网络（GCN）对图进行编码，引入了一种新的密集连接策略，提出了一种新型的密集连通图卷积网络（DCGCN）来集成本地和非本地特征，以更好地学习图的结构表示，并在 AMR-to-text 生成和基于语法的神经机器翻译上明显优于现有的神经模型。

Aug, 2019