本文提出了一种名为策略引导路径推理（PGPR）的方法，将推荐和可解释性结合起来，并在知识图中提供实际路径，通过明确的推理过程生成和支持推荐，同时实现了强化学习和策略引导图搜索算法。在多个实际数据集的评估中，与现有的最先进方法相比，获得了良好的结果。
Jun, 2019
本文提出了利用知识图谱的路径循环神经网络模型（Knowledge-aware Path Recurrent Network），该模型可以通过组合实体和关系的语义生成路径表示，并利用路径内的序列依赖关系有效地推理用户 - 物品交互的基本原因。通过设计一种新的加权汇集操作，区分连接用户和物品的不同路径的强度，为模型赋予一定水平的可解释性。该模型在电影和音乐的两个数据集上进行了广泛的实验，显示出比现有的解决方案 Collaborative Knowledge Base Embedding 和 Neural Factorization Machine 更显著的改进效果。
Nov, 2018
本文提出了一种名为 CPR 的通用框架，将会话型推荐建模为图上的交互式路径推理问题，通过遵循用户反馈，以明确的方式利用用户首选属性，通过利用图结构，CPR 能够剪枝许多不相关的候选属性，从而更好地命中用户首选属性，实验证明了 CPR 的有效性，特别是我们发现，属性越多，我们的方法取得的优势就越大。
Jul, 2020
通过复制三种最新的路径推理推荐方法，基于知识图谱 (KG) 设计公共评估协议，在两个公共数据集上研究它们的推荐效用、解释质量和公平性等领域，以提高路径推理推荐的性能和应用效果。
Jan, 2023
该论文提出了一种名为 SR-GNN 的新型方法，基于图神经网络来对会话进行建模，并使用注意力网络将每个会话表示为全局偏好和当前兴趣的组合，从而提高了会话推荐的准确率。
研究了基于 Session 的推荐算法，并提出一种名为 G3SR 的新方法，在两个真实世界的基准数据集上进行了广泛的实验，表明改进后的方法在冷启动情况下比现有的最先进方法取得了显著的并且一致的改进效果。
Mar, 2022
该研究提出了一种 CAFE 神经符号推理方法和 PPR 路径推理算法，它们结合了知识图谱和用户行为分析，提高了电子商务推荐系统的性能和可解释性。实验表明，该方法在实际数据集中得到了有效提升。
Oct, 2020
本文提出了一种结构，利用共同模式和个体行为来为每个用户量身定制推荐，模拟结果表明该结构可以学习可解释的个性化用户行为，并经验证实验数据集 Nielsen Consumer Panel 的结果，建议方法相对于现有技术有高达 27.9％的性能提升。
Sep, 2022
本文利用注意力机制，沿着连续商品之间的路径进行良好设计的商品 - 商品路径建模，以顺序建模动态知识图上的动态用户 - 商品演变，以获得可解释的推荐。通过对三个真实世界基准数据集上的广泛评估，我们证明了 TMER 相对于最近强基线的最新性能。
Jan, 2021
本论文提出了一种名为 S-Walk 的基于会话的推荐模型，该模型采用随机游走来有效地捕捉会话内和会话间的相关性，并通过采用具有封闭形式解的线性模型来保证其高效，可扩展性和可压缩性，从而适用于大规模商业系统。
Jan, 2022