我们提出了一种基于谱图小波的协同过滤框架，用于隐式反馈数据的个性化推荐，通过将用户、物品及其交互表示为一个二分图，利用自适应转换函数和深度推荐模型，来学习用户和物品的低维表示，同时促进推荐质量。实验证明，相比基准方法，我们的模型在真实世界的基准数据集上取得了更好的推荐效果。

Dec, 2023

基于谱变换的方法提出设计 JGCF, 该方法有效地处理稀疏数据集与冷启动用户，并在四个公共数据集上实验表明其在阿里巴巴 - iFashion 等数据集中的性能最高可带来 27.06% 的性能提升

Jun, 2023

本文通过图信号处理的角度，研究了基于图卷积网络 (GCNs) 的协作过滤 (CF) 方法的理论，提出了基于图卷积的统一框架，证明了现有的许多 CF 方法都是这个框架的特例，包括邻域方法、低秩矩阵分解、线性自编码器和 LightGCN 等，提出了基于图滤波的协作过滤 (GF-CF) 作为基准模型，在三个知名数据集上实验表明，GF-CF 与基于深度学习的方法相比性能更强，在 Amazon-book 数据集上比 LightGCN 的性能提升了 70%。

Aug, 2021

该研究介绍了如何利用图信号处理的概念和工具，诸如图滤波器和变换，以开发新的机器学习算法，并提供了未来 GSP 技术发展的新视角，以解锁在现代数据分析中的许多挑战。

Jul, 2020

本文提出了一个基于图卷积的推荐框架，名为 Multi-GCCF，该框架利用了用户项目交互数据和用户对和项目对之间的相似性来建立分区图和 user-user /item-item 图，并在双分图上执行图卷积，在四个公共基准测试中取得较显著的改进，证明了模型的有效性以及学习的嵌入捕获了重要的关系结构。

Jan, 2020

本文提出了一种新的图矩阵和用户 - 项目交互矩阵的设计方法，将用户 - 用户、项目 - 项目相关性以及用户 - 项目交互数量平衡考虑在内，提高了高阶协同信号的捕获质量，推荐效果显著提升。

Apr, 2023

本研究探讨了建议系统中协同过滤、图卷积网络、物品相似性模型、图采样策略和图分区等方面，并提出了一种使用新的数据增强策略的新型物品相似性模型以提高效率。实验结果表明，该模型在性能上优于现有的 GCN 模型和物品相似性模型。

Jul, 2022

推荐系统中的负反馈在基于图的推荐中被广泛忽视，本研究提出了一种名为 DFGNN 的模型，通过设计双频图滤波器 (DGF) 来捕捉包含正反馈和负反馈的低频和高频信号，并应用有符号图正则化来解决表示退化问题。

May, 2024

提出了一种新的自我监督推荐框架 HCCF，它利用超图增强交叉视角对比学习体系结构共同捕捉本地和全局协作关系，结合超图结构编码和自我监督学习来增强推荐系统的表示质量，并通过三个基准数据集的广泛实验证明了其优越性和稀疏用户交互数据的鲁棒性。

Apr, 2022

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