- WWW利用结构复杂度度量评价推荐系统的可预测性
基于用户 - 物品评分矩阵的结构复杂性，此研究引入了数据驱动的度量标准来衡量推荐系统的可预测性。使用奇异值分解和矩阵分解策略，通过扰动数据评估其预测能力，结果表明度量标准与真实数据集上表现最佳的预测算法的准确性之间存在高相关性。
- 基于用户中心子图网络的知识增强推荐
基于知识图谱和图神经网络的用户中心子图网络方法 (KUCNet) 构建了用户 - 物品子图以捕捉用户物品历史交互和知识图谱提供的辅助信息，并使用基于注意力机制的图神经网络对子图进行编码，提供了准确、高效、可解释的推荐特别是针对新物品的方法。 - WSDMMONET: 多模态图卷积网络和目标感知注意力在多媒体推荐中的应用
本研究聚焦于使用图卷积网络（GCNs）的多媒体推荐系统，旨在更有效地利用多模态特征以准确捕捉用户对项目的偏好。通过提出模态包容 GCN（MeGCN）和目标感知注意力等两个核心思想，我们的实验表明 MONET 在七种最先进的竞争者中非常优越（ - 图预训练与提示学习在推荐中的应用
基于 GNN 的推荐系统可以通过多跳消息传递模型化复杂的用户 - 物品交互，但现有方法往往忽视用户 - 物品交互的动态性，限制了在实际动态环境下的可扩展性和性能。本研究提出了 GraphPL 框架，结合了高效的动态图预训练和提示学习，使 G - AgentCF：面向推荐系统的自主语言代理协作学习
我们提出了 AgentCF，通过基于代理的协同过滤来模拟推荐系统中的用户 - 项目交互，优化代理以模拟其二者之间的关系，并展示了个性化行为，引发了下一代用户行为模拟的发展。
- 我们的模型在 MovieLens 上取得出色的表现：这意味着什么？
通过对 MovieLens 数据集的细致分析，揭示了使用该数据集评估推荐算法可能存在的潜在影响，包括用户交互的不同阶段的差异、推荐算法对用户交互的影响、用户交互顺序变化对算法的挑战以及与实际推荐场景存在的差异等。
- GenRec: 大型生成式推荐模型
使用大型语言模型 (LLM) 为基础的生成式推荐 (GenRec) 方法，通过解释上下文、学习用户偏好和生成相关推荐，充分利用大型语言模型编码的丰富知识，为推荐系统带来革命性的潜力和未来发展方向。
- 大型语言模型增强叙事驱动推荐
使用大型语言模型从用户 - 项目互动数据中生成合成故事查询，以用于训练 NDR 模型，并证明这是一种有效的策略，可用于训练小参数检索模型，从而优于其他检索和 LLM 基线。
- 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 - SIGIR图协同信号去噪与增强用于推荐
本文提出了一种新的图矩阵和用户 - 项目交互矩阵的设计方法，将用户 - 用户、项目 - 项目相关性以及用户 - 项目交互数量平衡考虑在内，提高了高阶协同信号的捕获质量，推荐效果显著提升。
- 基于 Poincaré 异质图神经网络的序列推荐
本文提出了一种名为 PHGR 的 Poincaré 异构图神经网络，用于同时建模顺序模式信息和 SR 场景数据中包含的层次信息。 PHGR 通过定义新的双曲内积运算符，直接在 Poincaré 球中进行全局和局部图表示学习，而不是在 Poi - 为推荐系统的在线更新进行元学习
介绍了 MeLON 一种用于在线推荐系统的元学习更新策略，其支持两向灵活性，通过自适应学习率来快速学习到用户的最新兴趣，并且在三个真实的在线推荐数据集上进行了广泛的评估和理论分析。
- 多行为推荐的知识增强层次图变压器网络
本文提出了一种知识增强的分层图转换网络，以调查推荐系统中用户和物品之间的多类型互动模式，包括复杂的用户行为特征，知识感知的物品关系以及多类型用户物品交互的动态特性，实验表明该方法在多种情况下优于现有的推荐方法。
- 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。
- 本地协作自编码器
本文通过引入新的局部模型发现方法和多种不同的局部模型，提出了一个广义的局部因子框架 “LOCA”，结合 autoencoders 模型捕捉子社群内的潜在非线性模式，实现了高质量的 Top-N 推荐， 在几个公共基准上超过了现有技术。
- AAAI元学习器冷启动的序列推荐
提出一个元学习的序列推荐框架 Mecos 解决冷启动问题，可以从有限的交互中提取用户偏好，与神经网络模型轻松集成，实验证明比其他基线方法表现更好。
- MM互动预测的动态嵌入
DeePRed 提出一种新的方法，通过使用长期（静态）嵌入作为代理来避免递归和昂贵的连续短期嵌入之间的交互，并具有多路注意机制，以检查用户 - 项目兼容性，从而在下一个项目预测任务上优于最佳现有方法至少 14％，同时获得最佳基线的超过一个数 - MM超市推荐机制的变分贝叶斯上下文感知表征
该论文提出了一种新的 Variational Bayesian Context-Aware Representation (VBCAR) 模型，该模型基于贝叶斯 Skip-gram 框架以及分摊变分推断来训练，通过利用过去用户 - 物品交互 - KDDIntentGC：一个可扩展的图卷积框架，融合异构信息用于推荐
本文提出了一种名为 IntentGC 的新型框架，利用图卷积网络来利用用户行为和物品信息之间的明确偏好和异构关系，同时学习模型中不同关系的重要性，将其应用于网络规模应用，设计了一个更快的图卷积模型 IntentNet。实验证明 Intent - IJCAINeuRec：关于非线性转换的个性化排名
本文提出基于神经网络的推荐模型（NeuRec），该模型通过排序任务展示了其在个性化推荐方面的优异性能，同时解决了用户 - 物品交互中的复杂性和非线性问题，并通过非线性转换和隐性因素的组合，设计出两个变体 NeuRec 模型，即基于用户的 N