- WWW面向推荐的兴趣感知消息传递 GCN
该研究论文提出了一种新颖的基于 Interest-aware Message-Passing GCN 的推荐模型，通过在用户兴趣相似的子图中进行高阶图卷积操作，避免了过度平滑问题，其在三个基准数据集上的实验结果表明，该模型可以通过叠加更多的 - FedGNN：基于联邦学习的图神经网络在隐私保护推荐中的应用
本文提出了一种隐私保护的图神经网络推荐模型，该模型采用联邦学习的方式对分散的用户数据进行训练，并采用本地差分隐私技术对用户隐私进行保护，同时通过用户 - 物品图扩展方法拓展本地用户 - 物品图来增强推荐效果，并在六个基准数据集上进行了广泛实 - WSDM解释作为推荐的防御
本研究旨在通过加强推荐和对应解释之间的情感对齐，使解释的学习与推荐的学习更加紧密地连接。实验结果表明，该方案在推荐和解释任务方面均优于基线，特别是在生成解释的质量方面表现出色。
- MM一种通用的理解框架，用于情感推理解释、生成和重新分类
DEGARI 是一个解释性情感归属和推荐系统，使用 TCL 逻辑和 Plutchik 模型基于本体形式化的情感生成新颖的通用语义表示，并成功在艺术数据集和意大利公共广播机构 RaiPlay 内容中的情感重分类等领域得到应用。
- WSDM通过知识图谱上的伪标记缓解推荐中的冷启动问题
该论文提出了一种基于图神经网络和知识图谱的推荐方法，采用伪标记技术从未观察到的样本中学习，通过知识图谱选定潜在正例，抑制流行度偏差的恶化，成功解决了冷启动问题
- SIGIR自监督图学习用于推荐
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 - COLING面向主题引导的对话式推荐系统
本文提出了一个名为 TG-ReDial 的新的对话推荐系统数据集，其具有包括主题线程和半自动构建在内的两个主要特征，为通过自然语义过渡实现主动引导的推荐场景；同时还提出了一种有效的基于主题引导的对话推荐方法， 并在主题预测、物品推荐和响应生 - SIGIR点击可能是作弊的：反事实推荐以减轻标题党问题
本研究提出了一种基于因果图和反事实推断的建议模型，以减轻用户面对过多的机械预测的问题，并明显提高了用户在现实世界中的满意度。
- 神经逻辑推理
本文介绍了如何利用动态神经网络结构和基本逻辑操作，将深度学习和逻辑推理相结合，提出了名为 LINN 的模型，以推理方式解决推荐系统的问题，并在理论和实践任务中都取得了显著的性能提升。
- 使用顺序奖励交互的对比评估编号推荐
该研究提出了一种图形假设的因果关系方法，以重新加权日志策略中的奖励，从而近似于目标策略下的奖励和，以解决串行互动推荐问题。在模拟和实际推荐系统中进行的广泛实验表明，该方法在偏差和数据效率方面优于现有方法。
- 基于知识图谱的语义融合改进对话式推荐系统
本论文介绍了一种使用知识图谱和互信息最大化技术的对话式推荐系统，通过增强对话数据表示来解决上下文信息不足以及自然语言表达和用户偏好之间的语义鸿沟问题，从而在推荐和对话任务方面提高了性能。
- 非独立同分布推荐系统：推荐范式转换的综述与框架
本文探讨了推荐问题的非 IID 本质和特征，并提出了非 IID 理论框架，从耦合和异质性的角度建立对推荐问题深入全面的认识。这种非 IID 推荐研究可触发从 IID 到非 IID 推荐研究的范式转变，并带来个性化，精准和可操作的推荐。同时， - KDD方向性的多元排序
本文提出了一种针对多方面排名问题的方向性多方面排名准则，并基于概率多元张量分解模型推导了完整的解决方案，实验证实了该方案在大型数据集上的有效性。
- 冷启动用户的对话推荐：无缝统一属性和物品
本篇研究工作使用 Thompson Sampling 框架无缝统一属性与物品，从而构建了一个名为 Conversational Thompson Sampling（ConTS）的模型，解决了在交互式推荐系统中手工建立属性和物品之间的关系所带 - KDDM2GRL: 面向 Web 规模推荐系统的多任务多视图图表示学习框架
本研究利用多视角方法来学习来自多个视角的图表征学习表示，提出了一个适用于网络规模推荐系统的多任务多视图图表征学习框架 (M2GRL)，在淘宝上进行了测试，结果表明，该框架在网址推荐方面的性能显著优于现有的算法。
- SIGIR通过多任务学习实现规模化的高效图像库表示
通过多任务学习的方法构建通用的图片库编码器，并证明它是实现学习表示在新的下游任务中通用性的实用方法。此外，我们分析了 MTL 训练解决方案相对预测性能与最优解决方案的差异，并发现 MTL 是一种有用的机制来解决低资源二元任务中的稀疏性信号。
- 基于上下文的图注意力网络在具有物品知识图的推荐中的应用
该研究提出了一种名为 CGAT 的新型推荐框架，可以明确地利用实体在知识图中的本地和非本地图上下文信息，以实现个性化的推荐，这可以通过一种偏向性随机游走采样过程来提取实体的非本地上下文，并利用 RNN 来模拟实体和其非本地上下文实体之间的依 - 更健康的饮食：探索健康餐谱的营养信息
提出了一种名为 NutRec 的新型框架，该框架使用神经网络模型中的三个主要组件来基于食材预测和推荐健康的食谱，经过实验证明该框架可以成功检索到较为健康的菜谱。
- 基于图卷积网络的价格感知推荐
本文提出了一种基于图卷积网络的方法，以预测用户在购买时是否受产品价格因素影响，解决了价格因素在推荐系统中受到相对较少关注的问题，主要通过对用户行为和商品价格之间的关系进行建模，同时考虑商品类别因素的影响，实验结果表明该方法能够有效地学习用户 - 图卷积机器：面向上下文感知的推荐系统
本研究提出了一种基于图卷积的上下文感知推荐系统框架，包括编码器、图卷积层和解码器，通过对用户 - 物品图进行上下文感知图卷积优化，有效提升了推荐准确率。