本研究提出了基于图神经网络的矩阵补全算法，能够在没有用户或电影的年龄、种类等附加信息的情况下，通过在评分矩阵上提取 “用户 - 电影” 的子图来预测缺失的评分数据并取得竞争力相当的性能，而且其模型可以推广到训练期间没有出现的用户和电影上，并可用于其他相关任务，该方法证明了不需要过多的附加信息来建模推荐系统。

Apr, 2019

本研究介绍了一种使用几何深度学习处理用户 / 项目对之间局部稳定性结构的新方法。矩阵完成架构结合了图卷积神经网络和循环神经网络，以学习有意义的统计图结构模式和非线性扩散过程，从而生成已知的评分，具有与矩阵大小无关的恒定参数数量。在合成数据和真实数据集上进行了实验，表明该方法优于现有技术。

Apr, 2017

本论文提出了一种新的纯以 GCN 为基础的 GMC 方法，叫做卷积几何矩阵完成（CGMC），通过新设计的图卷积网络在用户 / 物品之间进行图推荐，实验结果显示 CGMC 在准确性和速度方面优于其他最先进的方法，包括 RMGCNN。

Mar, 2018

这篇研究论文从图的角度考虑了推荐系统的矩阵填充问题，提出了一个基于可微分消息传递的自编码器框架，并在该领域常用的协同过滤数据集中表现出了良好的性能，尤其是在结构化数据和社交网络数据等背景信息充足的场景中的表现更为优异。

Jun, 2017

提出了一种针对缺失数据的归纳矩阵补全方法，通过图自编码器学习用户（或物品）的具体表示和局部图模式来实现个性化推荐。实验表明该模型在多个矩阵补全基准测试中均达到了最先进的性能水平。

Aug, 2021

本文介绍了在推荐系统和半监督聚类中，如何应用非线性激活函数并使用梯度下降等优化技术，来解决非线性归纳矩阵完成问题，并展示了这种方法的性能优于传统的线性方法。

May, 2018

该研究提出了一种基于低秩假设的推荐算法，用非凸秩松弛而不是核范数来提供更好的秩近似和高效的优化策略，经过实验证明，该方法将 Top-N 推荐的准确性提升到了一个新的水平。

Jan, 2016

本文提出了一种基于社区检测和流形学习的矩阵完成模型，通过约束矩阵在图上的平滑性来隐含地强制行和列之间的相似性，得到了比标准模型更好的矩阵恢复效果。

Aug, 2014

研究了利用社交或项目相似性图作为辅助信息的矩阵完成问题，开发了一种通用、无参数、计算效率高的算法，该算法从分层图聚类开始，然后迭代地在图聚类和矩阵评级上进行估计。在考虑社交图和低秩评级矩阵模型下，我们证明了我们的算法达到了最大似然估计推导的观察矩阵条目数量的信息熵界限（即最优的样本复杂度）。利用社交图的分层结构相对于仅仅识别不同群体而不诉诸它们之间的关系结构可以获得显著的样本复杂度增益。我们在合成和实际数据集上进行了广泛的实验，以验证我们的理论结果，并证明相对于利用图侧信息的其他矩阵完成算法，我们的算法具有显著的性能改进。

Jan, 2022

本研究提出了一种基于属性图的新型神经网络框架，通过学习不同形态属性之间的分布，可以为冷启动用户 / 物品生成偏好嵌入，同时提出了 gated-GNN 对不同属性进行有效聚合，实验结果表明，在冷启动推荐中取得了显着的改进，并且在温热启动情况下表现优异。

Dec, 2019