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

论文提出了一种互惠对比学习（MCL）框架来进行基于网络的集成学习，可以提高模型的特征表达能力，从而提高视觉识别任务的性能。

Jul, 2022

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

本文提出了一种基于对比学习的知识感知推荐模型，结合了本地和非本地的知识图谱，并采用层级交互对比学习来提高推荐性能。

Aug, 2022

提出了一种面向知识感知推荐的层次化和对比的表示学习框架 HiCON，其中包括层次化消息聚合机制和跨序对比学习，实验表明 HiCON 对现有方法具有显着的优势。

Apr, 2023

多行为推荐通过基于用户的多样行为（如浏览、加入购物车和购买）提供更准确的选择来优化用户体验。本研究提出一种新颖模型：基于知识感知的多意图对比学习模型（KAMCL），利用知识图谱中的关系构建意图，从意图角度挖掘用户多行为之间的关联，并通过对比学习方案缓解数据稀缺问题，进一步增强用户表示。对三个真实数据集进行广泛实验证明了我们模型的优越性。

Apr, 2024

本研究基于信息感知的图表示学习，提出了一种多视角 MOOC 质量评估的方法，将 MOOC Heterogeneous Network 分解成可以描述课程多视角语义的多个单关系图，并利用互信息保留课程表示的有效性。在真实世界的 MOOC 数据集上进行广泛实验，证明了该方法的有效性。

Jan, 2023

提出一种新的用于增强推荐系统的对比学习框架，通过构建两个独立的对比视图，最大化它们的相互信息，并以单向方式将知识图谱信息融入到用户 - 物品交互图中，实验证明该方法相比现有技术具有更好的效果和效率。

Sep, 2023

Mutual Contrastive Learning (MCL) is a powerful method for improving feature representations for visual recognition tasks through the mutual interaction and transfer of contrastive distributions among a cohort of networks, achieved through the use of Interactive Contrastive Learning (ICL) to aggregate cross-network embedding information.

Apr, 2021