- RecDiff: 社交推荐的扩散模型
社交推荐是一种利用用户之间的社交连接，如在线社交平台中观察到的关注和朋友关系，增强个性化推荐的强大方法。本研究提出了一种基于扩散的社交去噪框架 RecDiff，通过在压缩和稠密的表示空间中进行多步噪声扩散和去除，识别和消除用户表示中的噪声， - 学习非活跃用户推荐的社交关系图
本文提出了一种名为 LSIR（学习非活跃用户社交图推荐）的新颖社交推荐方法，通过学习最优社交图结构，尤其针对非活跃用户，优化了推荐效果，并且通过去除噪声边、增加新边和模仿学习等技术进一步提升了模型构建。实验结果表明，LSIR 在非活跃用户推 - 神经多网络扩散推荐
本文提出了一种基于图神经网络的社交推荐模型 NeMo，使用生成式负采样策略并利用正负用户 - 物品交互推广用户兴趣，提高了推荐泛化能力和准确度。实验证明，在各种真实世界的基准数据集上（例如在 NDCG@15 方面高达 38.8%）NeMo - IJCAI图上预训练综述：分类，方法和应用
本篇论文综述了预训练图模型 (Pretrained Graph Models) 的现状，将现有的 PGMs 基于四个不同维度进行了分类，并探讨了其在社交推荐和药物研究等领域中的应用，最后提出了未来研究方向。
- 安全的跨平台社交推荐中利用数据稀疏性
本研究提出了一种安全的、跨平台的社交推荐框架 S3Rec，在保护数据隐私的同时，能够提高推荐性能和模型训练效率。该框架利用安全计算技术，通过稀疏矩阵乘法实现平台间数据交互。实验结果表明 S3Rec 的有效性。
- 基于图神经网络的联邦社交推荐
本文设计了一种采用图神经网络的联邦学习框架 FeSoG，以解决传统社交推荐算法中的隐私问题，并在三个真实数据集上评估其有效性。
- 利用分层图神经网络增强全局上下文的社交推荐
本研究提出了一种新的基于层次图神经网络的社会化推荐框架（SR-HGNN），以解决现有社交推荐模型难以完全探索多类型用户 - 物品交互行为及跨关系相互依存关系这两个问题的挑战，并通过三个公共基准测试表明 SR-HGNN 明显优于现有技术的推荐 - AAAI基于知识的耦合图神经网络的社交推荐
该研究提出了一种知识感知的耦合图神经网络模型，用于解决社交信息推荐系统中用户和项目之间交互异质性、动态性和相互依赖性等问题，实验结果表明该方法在多种情境下有效益。
- IJCAI推荐系统中异构关系学习的最新进展
调查了不同类型的推荐框架的发展，重点关注于异构关系学习，分类研究了社交推荐、知识图增强推荐系统以及多行为推荐的学习方法，探讨如何有效地提取异构上下文信息。最后对异构关系学习提出了新的方向和机会。
- ConsisRec：通过一致的邻居聚合增强 GNN 进行社交推荐
通过设计基于图神经网络的社交推荐框架，我们提出了解决社交不一致性问题的两种方法：通过一致性得分关联抽样概率来筛选相一致的邻居，以及通过关系注意机制来指定重要性高的一致关系进行信息聚合，并在两个真实世界数据集上验证了模型的有效性。
- WWW面向社交推荐的双侧深度上下文调制
该研究提出了一个名为 DICER 的社交推荐模型，使用图神经网络来建模用户的社交关系和协作关系，在此基础上提出双侧深度上下文感知调节来捕捉朋友的信息和物品吸引力，研究结果表明该模型的有效性并进一步探究了双重上下文感知调节的工作原理。
- WWW自监督的多通道超图卷积网络用于社交推荐
本文提出了多通道超图卷积网络模型，通过利用高阶用户关系来提高社交推荐系统的推荐质量，结合自我监督学习的方法以弥补聚合信息的损失。在多个真实数据集上的实验结果表明，该模型优于现有的其他方法。
- 互惠推荐系统：对最新文献、挑战和社交推荐机会的分析
本文介绍了先进推荐系统技术的快照，重点关注了 Recommender Systems，Reciprocal Recommender System 等 RRS 算法，以及融合过程和社交推荐应用的挑战和机遇。
- DiffNet++：面向社交推荐的神经影响和兴趣扩散网络
本文提出了 DiffNet++ 算法，结合社交网络与兴趣网络，通过三个方面迭代聚合用户嵌入，设计了多级注意力网络，有效地解决了社交推荐中数据稀疏问题。
- 通过对抗训练生成可信好友以提高社交推荐
本文提出了一种基于生成式对抗网络（GAN）的端到端社交推荐框架，该框架可以适应地生成可靠的好友，从而改善了显式社交关系的稀疏性和不可靠性问题，提升了社交推荐的性能表现，实验研究表明该框架的优越性和生成可靠好友的积极影响。
- IJCAI深度对抗社交推荐
本文提出了一种基于逆向映射的深度对抗社交推荐框架 DASO，它可以有效地学习用户在社交领域和物品领域的异构表示，并在两个真实世界数据集上进行了全面的实验，证明了其有效性。
- WWW面向推荐系统中多方面社会影响的深度潜在表示的双图关注网络
本文提出了一个新的社交推荐模型，使用双重图注意力网络来协同学习两种社交效应的表示，并在上下文中使用基于策略的融合策略来提高推荐精度。
- WWW社交推荐的图神经网络
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。
- SIGIRSocialGCN：一种基于图卷积网络的高效社交推荐模型
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。