提出了一种记忆增强图神经网络 (MA-GNN)，用于解决顺序推荐系统中的挑战，包括建模短期和长期用户兴趣、有效建模项目共现模式等，模型在五个真实数据集上得到了验证并进行了比较。

Dec, 2019

提出了一种利用自监督学习技术的图学习框架来提高稀有组的嵌入质量，以解决传统的组推荐方法在冷启动组中表现不佳的问题。实验结果表明，该框架优于当前最先进的方法。

Dec, 2021

本文提出了一个基于图神经网络模型的序列推荐方法 SURGE (Short for SeqUential Recommendation with Graph neural nEtworks)，通过度量学习将松散的物品序列重构成紧密的物品 - 物品兴趣图，并对构建的图进行集群感知和查询感知的图卷积传播和图池化操作，从而实现从用户的历史行为序列中动态融合和提取其当前激活的核心兴趣。实验证明，相比最先进的方法，该方法在公共和专有数据集上都达到了显著的性能提升，并且在序列长度方面也表现出了高效和有效的建模能力。

Jun, 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

学习用户行为序列的表示对于各种在线服务至关重要，本文介绍了一种名为 ECSeq 的新型统一框架，该框架利用图压缩技术来改善用户序列表示学习的效率问题，并在序列分类和回归任务中展示了 ECSeq 的有效性。

Jun, 2024

该论文介绍了一种新颖的多表示学习框架，利用序列和图形组件之间的协同作用，显著提高了推荐性能。

Mar, 2024

用于理解用户与项目之间相对较短的正在进行的会话中的交互行为，并通过预测下一步行动来进行会话推荐的研究已日益受到关注。我们提出了临时图神经网络（TempGNN），这是一个用于捕捉复杂项目转换中的结构和时间动态的通用框架，利用节点和边上的时间嵌入操作符对动态会话图进行表示。广泛的实验结果表明，通过将其插入现有的最先进模型，该方法的有效性和适应性。最后，TempGNN 在两个真实的电子商务数据集上取得了最先进的性能。

Oct, 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。

Nov, 2018

提出了一种名为 DGSR 的新方法，它通过连接不同的用户序列来探索用户和项之间的交互行为，从而将顺序推荐中的下一个项目预测任务转化为动态图中用户节点和项目节点之间的链接预测，实验证明该方法优于几种最先进的方法。

Apr, 2021

本文提出了一种名为 “自监督图学习” 的新学习范式，通过生成多个节点视图，使用节点丢弃、边丢弃和随机游走三种不同的图结构方式来增强基于用户 - 物品图的图卷积网络的表示学习性能，从而提高推荐的准确性和鲁棒性。理论分析和三个基准数据集上的实证结果验证了该方法的有效性。

Oct, 2020