HSR: Hyperbolic Social Recommender
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）
随着在线社交媒体的流行，用户的社会联系被广泛研究并用于提高推荐系统的性能。在本文中，我们探讨了使用双曲几何的社会推荐。我们提出了双曲社会推荐（HSR），一个新的社会推荐框架，利用双曲几何，以提高性能。在双曲空间的帮助下，HSR可以学习高质量的用户和项目表示，以便更好地建模用户-项目交互和用户-用户社交关系。通过一系列广泛的实验，我们表明，我们提出的HSR优于它的欧几里得同行和国家的最先进的社会网络的点击率预测和top-K推荐，证明了社会推荐的有效性，在双曲空间。
2021-02-15 cs.IR cs.LG
Lossless and Privacy-Preserving Graph Convolution Network for Federated Item Recommendation
针对联邦GNN推荐中图卷积不完整导致性能下降的问题，提出LP-GCN，在隐私约束下利用去中心化子图实现无损卷积，性能媲美集中式方法并优于现有联邦方法。
2024-12-02 cs.IR
No Attention, No Problem: Rethinking Session-based Recommendation with Pure Convolution
School of Big data and Software Engineering, Chongqing University（重庆大学大数据与软件工程学院）
本研究针对基于会话推荐中传统卷积模型全局建模弱的问题，提出纯卷积框架NextConvRec，结合结构位置编码与深浅卷积扩大感受野，在4个基准上性能超SOTA基线约1.73%且推理提速16.7%。
2026-09-28 cs.IR
HCGR: Hyperbolic Contrastive Graph Representation Learning for Session-based Recommendation
Ant Group（蚂蚁集团）；Shantou University（汕头大学）；Tianjin University（天津大学）
基于会话的推荐（SBR）通过从用户行为的演变中捕捉短期和连续的模式来学习用户的偏好。在SBR领域的研究中，基于图的方法是一种比较强大的方法，它通常通过在欧氏空间下的消息聚合来提取项目信息。然而，这样的方法不能有效地提取包含在一个会话中的连续项目之间的层次信息，这是表示用户的偏好的关键。在本文中，我们提出了一个双曲对比图推荐（HCGR），一个原则性的基于会话的推荐框架，涉及洛伦兹双曲空间，以充分捕捉项目的连贯性和层次表示。在这个框架内，我们设计了一种新的自适应双曲注意力计算聚合每个用户的偏好在一个基于会话的行为序列的图形消息。此外，利用对比学习，通过考虑双曲空间中正负样本之间的测地线距离来优化项目表示。在四个真实世界数据集上的广泛实验表明，HCGR在$HitRate$、$NDCG$和$MRR$方面始终优于最先进的基线0.43 $\%$-28.84 $\%$。
2021-07-06 cs.AI cs.IR
DGCN: Diversified Recommendation with Graph Convolutional Networks
这些年来，人们一直致力于提高推荐系统的准确性或相关性。多样性是衡量所推荐项目之间差异的一个关键因素，但几乎没有得到详细审查。与用户满意度直接相关，通常在生成候选项之后考虑多样化。然而，这种多样化和候选生成的解耦设计使得整个系统次优。在本文中，我们的目标是推动多元化的上游候选生成阶段，借助图卷积网络（GCN）。虽然基于GCN的推荐算法在建模复杂的协同过滤效果以提高推荐的准确性方面表现出了很大的能力，但这些先进的工作忽略了多样性的变化。我们建议在GCN之上执行重新平衡的邻居发现，类别提升的负采样和对抗学习。我们在真实世界的数据集上进行了广泛的实验。实验结果验证了该方法在多样化问题上的有效性。进一步的消融研究验证了我们提出的方法显着地消除了准确性多样性的困境。
2021-08-16 cs.IR
GCNSLIM: Graph Convolutional Network with Sparse Linear Methods for E-government Service Recommendation
针对现有GCN协同过滤方法在电子政务服务推荐中因矩阵分解框架限制而性能不佳的问题，提出结合GCN与稀疏线性方法的GCNSLIM模型，通过注入高阶协同信号并优化，提升推荐准确性与操作性能。
2023-05-15 cs.IR
SUGER: A Subgraph-based Graph Convolutional Network Method for Bundle Recommendation
捆绑式推荐是推荐系统中一个新兴的研究方向，其重点是为用户推荐定制的捆绑式项目。虽然图神经网络（GNNs）已经被应用于该问题并取得了优异的性能，但现有的方法对图级GNN方法的探索不足，而图级GNN方法在传统的推荐系统中表现出了巨大的潜力。此外，它们通常缺乏从一个有足够监督的域到另一个可能遭受标签稀缺问题的域的可转移性。在这项工作中，我们提出了一个基于子图的图神经网络模型，SUGER，捆绑推荐，以处理这些限制。SUGER围绕用户束对生成异构子图，然后通过神经关系图传播将这些子图映射到用户的偏好预测。实验结果表明，SUGER显着优于国家的最先进的基线在基本和传输捆绑推荐问题。
2022-05-05 cs.IR
Hyperbolic Knowledge Transfer in Cross-Domain Recommendation System
University of Tsukuba（筑波大学）；Tsinghua University（清华大学）；Peking University（北京大学）；University of Tokyo（东京大学）；Kyoto University（京都大学）；Baidu Inc.（百度公司）
本文提出双曲对比学习框架HCTS，通过将不同领域的用户和物品分别映射到可调曲率的双曲流形上，并结合双曲对比学习模块实现跨域知识迁移，以缓解长尾分布和数据稀疏问题，实验证明双曲空间在跨域推荐中优于欧几里得空间。
2024-07-04 cs.AI cs.IR
Time-aware Hyperbolic Graph Attention Network for Session-based Recommendation
Walmart Global Tech（沃尔玛全球技术）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
基于会话的推荐（SBR）是根据用户先前的浏览会话来预测用户下一个感兴趣的项目。现有方法将会话建模为图形或序列，以基于用户交互的项目来估计用户兴趣，从而进行推荐。近年来，基于图的方法在SBR上取得了优异的性能。然而，这些方法都没有考虑时间信息，这是SBR中的一个重要特征，因为它表明了时间性或时效性。此外，会话图呈现出层次结构，并被证明是适用于双曲几何。但在双曲空间中设计模型的文献还很少，这方面的研究还处于探索阶段。在本文中，我们提出了时间感知双曲图注意力网络（TA-HGAT）-一种新的双曲图神经网络框架，建立一个基于会话的推荐模型考虑时间信息。更具体地说，在TA-HGAT中有三个组成部分。首先，双曲投影模块将项目特征转换到双曲空间。第二，时间感知图形注意力模块对项目与用户当前兴趣之间的时间间隔进行建模。第三，在模型结束时的进化损失提供了基于给定时间戳的推荐项目的准确预测。TA-HGAT构建在双曲空间中，用于学习会话图的层次结构。实验结果表明，提出的TA-HGAT具有最好的性能相比，10个基线模型在两个真实世界的数据集。
2023-01-10 cs.IR cs.LG cs.SI
The Best is Yet to Come: Graph Convolution in the Testing Phase for Multimodal Recommendation
针对多模态推荐中训练阶段使用GCN导致成本高、模态孤立和有害配对的问题，提出FastMMRec，仅在测试阶段执行图卷积，在三个公开数据集上提升效率、可扩展性与推荐性能。
2025-07-24 cs.IR
Inhomogeneous Social Recommendation with Hypergraph Convolutional Networks
将社会关系纳入推荐系统，即社会推荐，已经在学术界和工业界得到了广泛的研究。虽然已经取得了许多有希望的结果，现有的方法大多假设的社会关系可以均匀地应用到所有的项目，这是不实际的用户的实际不同的偏好。在本文中，我们认为，社会关系的效果应该是不均匀的，即两个社会相关的用户可能只共享相同的偏好，对某些特定的项目，而对其他产品，他们的偏好可以是不一致的，甚至是矛盾的。受此思想的启发，我们建立了一个新的社会推荐模型，其中传统的成对的“用户-用户”关系扩展到“用户-项目-用户”的三元关系。为了更好地处理这种高阶关系，我们将我们的框架建立在超图上。更具体地说，每个超边连接一个用户-用户-项目三元组，表示两个用户在项目上共享相似的偏好。我们开发了一个社会超图卷积网络（简称SHGCN）来学习复杂的三重社会关系。利用超图卷积网络，可以以更细粒度的方式对社会关系进行建模，从而更准确地描述真实用户的偏好，并有利于推荐性能。在两个真实数据集上的大量实验证明了该模型的有效性。数据稀疏性研究和超参数研究进一步验证了模型的合理性。我们的代码和数据集可以在https://github.com/ziruizhu/SHGCN上找到。
2021-11-05 cs.IR
Layer-refined Graph Convolutional Networks for Recommendation
利用图卷积网络（GCN）的推荐模型已经达到了最先进的性能，因为它们可以集成节点信息和用户-项目交互图的拓扑结构。然而，这些基于GCN的推荐模型不仅遭受过度平滑时堆叠太多的层，但也承担性能退化的存在噪声的用户-项目交互。在本文中，我们首先确定了一个建议的困境，过度平滑和解决方案崩溃在目前的GCN为基础的模型。具体来说，这些模型通常聚合所有层嵌入进行节点更新，并由于过度平滑而在几层内实现最佳推荐性能。相反，如果我们在层嵌入上放置可学习的权重以进行节点更新，则权重空间将始终坍缩到一个固定点，在该点上，自我层的权重几乎占据了所有权重。我们提出了一个层细化的GCN模型，称为LayerGCN，细化层表示在信息传播和节点更新的GCN。此外，以前的基于GCN的推荐模型聚集所有来自邻居的信息，而不区分噪声节点，这降低了推荐性能。我们的模型进一步修剪用户-项目交互图的边缘，而不是均匀分布的程度敏感的概率。实验结果表明，该模型在四个公共数据集上的训练收敛速度快，性能明显优于现有模型。所提出的方法的实现代码可在https://github.com/enoche/ImRec上获得。
2022-11-25 cs.IR
Hgformer: Hyperbolic Graph Transformer for Recommendation
University of Tsukuba（筑波大学）；Kyoto University（京都大学）；Tsinghua University（清华大学）；The University of Tokyo（东京大学）；Baidu Inc.（百度公司）
针对跨域推荐中被忽视的长尾数据建模失真问题，提出以BiTGCF为基础、基于双曲流形并构建新型传播与迁移层的跨域协同过滤模型，在多数据集上性能优于基线模型，可缓解推荐系统冷启动问题。
2024-12-30 cs.AI cs.IR cs.LG
Multi-Behavior Recommendation with Cascading Graph Convolution Networks
多行为推荐，利用辅助行为（例如，点击和购物车）来帮助预测用户对目标行为的潜在交互（例如，购买）被认为是缓解推荐中的数据稀疏或冷启动问题的有效方式。在现实世界的应用中，多行为通常以某些顺序进行（例如，点击>购物车>购买）。在行为链中，后一个行为通常比前一个行为表现出更强的用户偏好信号。大多数现有的多行为模型无法在行为链中捕获这种依赖关系以用于嵌入学习。在这项工作中，我们提出了一种新的多行为推荐模型与级联图卷积网络（命名为MB-CGCN）。在MB-CGCN中，从一个行为中学习到的嵌入在特征转换操作后用作下一个行为嵌入学习的输入特征。通过这种方式，我们的模型明确地利用了嵌入学习中的行为依赖性。在两个基准数据集上的实验证明了该模型在利用多行为数据方面的有效性。在Recall@10和NDCG@10方面，它在两个数据集上的平均表现分别优于最佳基线33.7%和35.9%。
2023-03-28 cs.IR
A Fashion Item Recommendation Model in Hyperbolic Space
University of California, San Diego（加利福尼亚大学圣地亚哥分校）；ZOZO Research（ZOZO研究所）；The University of Melbourne（墨尔本大学）
本文提出一种在双曲空间中学习用户与时尚单品表示并结合多任务学习的推荐模型，以更好捕捉视觉与购买历史中的隐式层级关系，实验表明其优于仅使用欧氏空间的模型。
2024-09-04 cs.CV cs.IR cs.LG
A Hierarchical Self-attentive Convolution Network for Review Modeling in Recommendation Systems
使用评论来学习用户和项目表示对于推荐系统是重要的。当前基于评论的方法可以分为两类：（1）基于卷积神经网络（CNN）的模型，其从用户/项目评论中提取n-gram特征;（2）基于递归神经网络（RNN）的模型，其从用户和项目的评论中学习全局上下文表示。尽管他们的成功，CNN和RNN的模型在以前的研究遭受自己的缺点。虽然基于CNN的模型在建模文本中的长依赖关系方面很弱，但基于RNN的模型由于无法并行计算而在训练和推理方面很慢。针对这些问题，本文提出了一种新的文本编码器模型，将卷积网络和自注意网络相结合，对文本中的局部和全局交互进行建模。由于不同的词、句子和评论对用户和项目表示的重要性不同，我们通过对句子进行词编码，在句子层、评论层和用户/项目层分层构建评论模型，对评论的句子进行编码，以及对用户和项目表示的评论进行编码。在Amazon Product Benchmark上的实验表明，与现有的基于评论的推荐模型相比，我们的模型可以获得更好的性能。
2020-11-26 cs.IR
Hyperbolic Contrastive Learning with Model-augmentation for Knowledge-aware Recommendation
City University of Hong Kong（香港城市大学）
针对知识感知推荐中层次结构建模不足及图结构增强导致偏好偏移的问题，提出结合Lorentzian知识聚合与模型级增强的双曲对比学习方法，最高性能提升11.03%。
2025-05-13 cs.AI cs.IR
Performance of Hyperbolic Geometry Models on Top-N Recommendation Tasks
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Institute of Numerical Mathematics, Russian Academy of Sciences（俄罗斯科学院数值数学研究所）；New York University（纽约大学）
我们介绍了一个简单的自动编码器的基础上双曲几何解决标准的协同过滤问题。与许多现代深度学习技术相比，我们只使用单个隐藏层来构建解决方案。值得注意的是，即使有这样一个最低限度的方法，我们不仅优于欧几里德对应，但也实现了竞争力的性能相对于目前的最先进的。我们还探讨了空间曲率的影响双曲模型的质量，并提出了一个有效的数据驱动的方法来估计其最佳值。
2020-08-15 cs.IR cs.LG stat.ML
Dynamically Expandable Graph Convolution for Streaming Recommendation
个性化推荐系统被广泛研究和应用，以减少信息过载，满足用户的多样化需求。然而，传统的推荐模型只进行一次性的训练测试的方式，很难适应不断变化的需求，考虑到用户偏好的变化和不断增加的用户和项目在现实世界中。为了应对这些挑战，流媒体推荐被提出，并引起了极大的关注。其中，持续图学习被学术界和工业界广泛认为是一种有前途的流媒体推荐方法。然而，现有的方法要么依赖于历史数据回放，这往往是不切实际的日益严格的数据法规，或很少能解决\textit{over-stability}的问题。为了克服这些困难，我们提出了一种新的\textbf{D}的\textbf{E}可扩展的\textbf{G}和\textbf{C}卷积（DEGC）算法，从\textit{model isolation}的角度来看，流媒体推荐，这是正交于以前的方法。基于从有用的长期偏好中分离过时的短期偏好的动机，我们设计了一系列操作，包括图卷积修剪，精炼和扩展，以仅保留有益的长期偏好相关参数并提取新鲜的短期偏好。此外，我们建模的时间用户偏好，这是用来作为用户嵌入初始化，更好地捕捉个人层面的偏好变化。在三个最具代表性的基于GCN的推荐模型和四个工业数据集上的实验证明了该方法的有效性和鲁棒性。
2023-03-21 cs.IR
SVD-GCN: A Simplified Graph Convolution Paradigm for Recommendation
随着图卷积网络（GCN）的巨大成功，GCN已被广泛应用于推荐系统中，并显示出良好的性能。然而，大多数基于GCN的方法严格地坚持一个共同的GCN学习范式，并遭受两个限制：（1）有限的可扩展性，由于高计算成本和缓慢的训练收敛;（2）臭名昭著的过度平滑问题，这降低了堆叠图卷积层的性能。我们认为，上述限制是由于缺乏深入了解的GCN为基础的方法。为此，我们首先调查什么样的设计使GCN有效的建议。通过简化LightGCN，我们展示了基于GCN的方法与低秩方法（如奇异值分解（SVD）和矩阵分解（MF））之间的密切联系，其中堆叠图卷积层是通过强调（抑制）具有较大（较小）奇异值的组件来学习低秩表示。基于这一观察，我们取代了基于GCN的方法的核心设计与灵活的截断SVD，并提出了一个简化的GCN学习范式称为SVD-GCN，它只利用$K$ -最大奇异向量的建议。为了减轻过度平滑的问题，我们提出了一个重整化技巧来调整奇异值差距，从而显着改善。在三个真实数据集上的大量实验表明，我们提出的SVD-GCN不仅显著优于最先进的技术，而且分别比LightGCN和MF实现了超过100倍和10倍的加速比。
2022-09-03 cs.IR
HypRQ-VAE: Hyperbolic Item Indexing for Long-Tail-Aware Generative Recommender Systems
Virginia Tech（弗吉尼亚理工大学）；Amazon（亚马逊）；Meta AI；Google（谷歌）；Dartmouth College（达特茅斯学院）
针对生成式推荐中LLMs与物品索引的错位及长尾物品建模难题，提出HypRQ-VAE框架，在双曲空间学习物品索引，提升了推荐尤其是尾部物品推荐的性能。
2026-09-04 cs.IR
Distance-aware Self-adaptive Graph Convolution for Fine-grained Hierarchical Recommendation
针对 GCN 推荐中图表示结构与卷积层贡献建模不足的问题，提出 SAGCN 距离自适应层次聚合方法，通过距离驱动的层权重学习和损失优化，在四个真实数据集上显著提升推荐性能。
2026-09-28 cs.IR
HICF: Hyperbolic Informative Collaborative Filtering
The Chinese University of Hong Kong（香港中文大学）；Harbin Institute of Technology（哈尔滨工业大学）；Huawei Technologies Co.,Ltd（华为技术有限公司）
考虑到幂律分布在用户-项目网络中的普遍性，双曲空间近年来在推荐系统中引起了广泛的关注并取得了令人印象深刻的性能。双曲线推荐的优点在于其指数增长的容量非常适合描述幂律分布的用户-项目网络，而欧几里得等价物是不足的。尽管如此，仍然不清楚双曲线模型可以有效地推荐哪些项目，哪些项目不能。为了解决上述问题，我们以最基本的推荐技术--协同过滤为媒介，研究了双曲推荐模型和欧氏推荐模型的行为。结果表明：（1）双曲空间中尾项的关注度高于欧氏空间，但仍有很大的改进空间;（2）双曲空间中头项的关注度不高，但仍有很大的改进空间;（3）双曲空间中头项的关注度高于欧氏空间。基于上述观察结果，我们设计了一种新的学习方法，命名为双曲线信息协同过滤（HICF），旨在补偿头部项目的推荐效果，同时提高尾部项目的性能。其主要思想是适应双曲边缘排名学习，使其拉和推过程的几何意识，并提供信息指导的头部和尾部项目的学习。大量的实验支持分析结果，也表明了所提出的方法的有效性。这项工作对于个性化推荐是有价值的，因为它揭示了双曲空间有助于对尾部项进行建模，尾部项通常代表用户自定义的偏好或新产品。
2022-07-19 cs.AI cs.IR
GTR-Mamba: Geometry-to-Tangent Routing Mamba for Hyperbolic POI Recommendation
College of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院）；College of Information Engineering, Zhejiang University of Technology（浙江工业大学信息工程学院）；Shanghai Ballsnow Intelligent Technology Co., Ltd（上海 Ballsnow 智能科技有限公司）；Hunan University（湖南大学）
GTR-Mamba通过几何到切线路由机制，提升超几何兴趣点推荐的效率和准确性。
2026-01-23 cs.AI cs.IR
IntentGC: a Scalable Graph Convolution Framework Fusing Heterogeneous Information for Recommendation
随着网络嵌入技术的飞速发展，推荐算法也随之发展。然而，用户-项目交互的稀疏性（即，明确的偏好）仍然是预测用户行为的一大挑战。尽管已经在利用一些辅助信息（例如，用户之间的社会关系）来解决该问题，现有的丰富的异构辅助关系仍然没有被充分利用。此外，以前的工作依赖于线性组合正则化和遭受参数调整。在这项工作中，我们收集了丰富的关系，从共同的用户行为和项目信息，并提出了一个新的框架命名为IntentGC利用显式偏好和异构关系的图卷积网络。除了对异质性建模的能力之外，IntentGC还可以通过非线性意义上的神经模型自动学习不同关系的重要性。为了将IntentGC应用于Web规模的应用程序，我们设计了一个更快的图卷积模型IntentNet，避免了不必要的特征交互。在两个大规模真实数据集和阿里巴巴在线A/B测试上的实验表明，该方法优于现有算法。
2019-07-24 cs.IR
Self-Supervised Hypergraph Convolutional Networks for Session-based Recommendation
基于会话的推荐（SBR）关注在某个时间点的下一个项目预测。由于用户简档在这种情况下通常不可用，因此捕获位于项转换中的用户意图起着关键作用。现有的基于图神经网络的SBR方法将项目转换视为两两关系，忽略了项目间复杂的高阶信息。超图提供了一种自然的方式来捕捉超越成对关系，而其潜在的SBR仍然没有开发。在本文中，我们通过将基于会话的数据建模为超图来填补这一空白，然后提出一种超图卷积网络来改进SBR。此外，为了增强超图建模，我们设计了另一个图卷积网络，它是基于超图的线图，然后通过最大化通过两个网络学习的会话表示之间的互信息，将自监督学习集成到网络的训练中，作为辅助任务，以改善推荐任务。由于这两类网络都是基于超图的，可以看作是超图建模的两个通道，我们将我们的模型命名为\textbf{DHCN}（Dual Channel Hypergraph Convolutional Networks）。在三个基准数据集上的实验证明了该模型相对于SOTA方法的优越性，验证了超图建模和自监督任务的有效性。我们模型的实现可以在www.example.com上获得
2022-02-28 cs.IR
Music Recommendations in Hyperbolic Space: An Application of Empirical Bayes and Hierarchical Poincaré Embeddings
iHeartRadio
矩阵分解（MF）是一种生成推荐的常用方法，其中嵌入空间中的用户或项目等实体的接近度表明它们彼此之间的相似性。虽然几乎所有的应用程序都隐式地使用欧几里得嵌入空间来表示两种实体类型，但最近的工作表明，双曲庞加莱球可能更适合表示多个实体类型，特别是层次结构。我们描述了一种新的方法来嵌入相关的音乐实体在双曲空间的层次结构。我们还描述了如何参数经验贝叶斯方法可以用来估计层次结构中的实体之间的链接可靠性。与欧几里德模型相比，将这些方法一起应用于为数字音乐服务中的用户构建个性化播放列表，在A/B测试期间产生了大量且统计学上显著的性能提高。
2019-07-24 cs.IR cs.LG stat.ML
MB-HGCN: A Hierarchical Graph Convolutional Network for Multi-behavior Recommendation
针对单行为推荐的数据稀疏问题，提出分层图卷积网络MB-HGCN，从全局到行为特定层次学习嵌入，并通过多任务学习优化，在Tmall等数据集上显著提升推荐性能。
2023-06-19 cs.IR
HS-GCN: Hamming Spatial Graph Convolutional Networks for Recommendation
大规模推荐系统的有效解决方案是将用户和项目表示为汉明空间中的二进制哈希码。为此，现有的方法倾向于通过对用户与他们历史上交互的项目的汉明相似性进行建模来对用户进行编码，这些相似性在这项工作中被称为一阶相似性。尽管它们的效率，这些方法遭受次优的代表能力，因为它们放弃了通过连接多个一阶相似性建立的相关性，即，间接实例之间的关系，可以定义为高阶相似度。为了解决这个问题，我们建议通过用户项二分图在汉明空间中建模第一和高阶相似性。因此，我们开发了一种新的学习哈希框架，即汉明空间图卷积网络（HS-GCN），显式建模的汉明相似性，并将其嵌入到用户和项目的代码。在三个公共基准数据集上的大量实验表明，我们提出的模型显着优于几个最先进的哈希模型，并获得与实值推荐模型相当的性能。
2023-01-13 cs.IR
ManifoldMind: Dynamic Hyperbolic Reasoning for Trustworthy Recommendations
ManifoldMind 提出一种基于自适应曲率概率球体的双曲空间推荐系统，通过曲率感知语义核实现多跳探索推理，在四个基准上取得更优的 NDCG、校准性与多样性，并生成显式推理轨迹以提升推荐可信度。
2025-07-02 cs.AI cs.IR cs.LG
Simple and Powerful Architecture for Inductive Recommendation Using Knowledge Graph Convolutions
在推荐系统中使用具有关系信息的图模型已经显示出很好的结果。然而，大多数方法都是传导性的，即，它们基于降维体系结构。因此，每次添加新的项目或用户时，他们都需要进行大量的再培训。相反，归纳法有望解决这些问题。尽管如此，所有的归纳方法都只依赖于交互，使得对用户的推荐在交互很少的情况下是次优的，甚至不可能有新的项目。因此，我们专注于归纳方法，也能够利用知识图谱（KG）。在这项工作中，我们提出了SimpleRec，这是一个强大的基线，使用图神经网络和KG为新用户和项目提供比相关归纳方法更好的推荐。我们表明，这是不必要的，以创建复杂的模型架构的用户表示，但它足以让用户表示的几个评级，他们提供和他们之间的间接连接，没有任何用户元数据。因此，我们重新评估了最先进的方法，确定了更好的评估方案，强调了以前提案中的不必要结论，并展示了这项任务的新的，更强大的基线。
2022-09-13 cs.IR
COHESION: Composite Graph Convolutional Network with Dual-Stage Fusion for Multimodal Recommendation
针对多模态推荐中模态融合与表示学习相互独立的问题，提出双阶段融合的复合图卷积网络COHESION，通过双阶段融合、复合图卷积与自适应优化提升推荐效果，实验验证其性能优于多种基线。
2025-05-22 cs.IR
Cascading Residual Graph Convolutional Network for Multi-Behavior Recommendation
本文提出轻量级多行为推荐模型CRGCN，通过级联残差图卷积结构在不增加参数的情况下显式利用不同行为间联系来细化用户嵌入，并在两个真实数据集上显著超越现有方法。
2023-07-09 cs.IR
How Graph Convolutions Amplify Popularity Bias for Recommendation?
本文研究图卷积网络如何放大推荐中的流行度偏差，提出一种通用方法，通过聚类估计并移除流行节点在图卷积各层的放大效应，在推理阶段纠正现有模型，有效提升尾部物品推荐且不牺牲流行物品性能。
2023-05-24 cs.IR
Interest-aware Message-Passing GCN for Recommendation
图卷积网络（GCN）在推荐方面显示出巨大的潜力。这归因于它们通过利用来自高阶邻居的协作信号来学习良好的用户和项目嵌入的能力。与其他GCN模型一样，基于GCN的推荐模型也存在臭名昭著的过度平滑问题-当堆叠更多层时，节点嵌入变得更加相似，最终无法区分，导致性能下降。最近提出的LightGCN和LR-GCN在一定程度上缓解了这个问题，但是，我们认为，他们忽略了一个重要因素的过度平滑问题的推荐，即，高阶相邻用户没有共同的兴趣用户也可以参与到用户的嵌入学习中的图卷积运算。因此，多层图卷积将使具有不同兴趣的用户具有相似的嵌入。在本文中，我们提出了一种新的可感知的消息传递GCN（IMP-GCN）推荐模型，该模型在子图内部执行高阶图卷积。子图由具有相似兴趣的用户和他们交互的项目组成。为了形成子图，我们设计了一个无监督的子图生成模块，它可以有效地识别用户的共同兴趣，利用用户特征和图结构。为此，我们的模型可以避免将来自高阶邻居的负面信息传播到嵌入学习中。在三个大规模基准数据集上的实验结果表明，该模型可以通过堆叠更多的层来提高性能，并显着优于最先进的基于GCN的推荐模型。
2021-03-28 cs.IR
DA-GCN: A Domain-aware Attentive Graph Convolution Network for Shared-account Cross-domain Sequential Recommendation
共享账户跨域顺序推荐（SCSR）是基于记录的用户行为序列推荐下一个项目的任务，其中多个用户共享单个账户，并且他们的行为在多个域中可用。现有的解决SCSR的工作主要依赖于通过基于RNN的模型挖掘序列模式，这些模型的表达能力不足以捕捉多个实体之间的关系。此外，所有现有的算法都试图通过潜在空间中的知识转移来桥接两个域，并且显式的跨域图结构尚未被开发。在这项工作中，我们提出了一种新的基于图的解决方案，即DA-GCN，以解决上述挑战。具体来说，我们首先将每个域中的用户和项目链接为一个图。然后，我们设计了一个域感知的图卷积网络来学习用户特定的节点表示。为了充分考虑用户对项目的特定领域偏好，进一步开发了两种新的注意力机制来选择性地引导消息传递过程。在两个真实数据集上进行了大量的实验，以证明我们的DA-GCN方法的优越性。
2021-05-07 cs.IR
HAKG: Hierarchy-Aware Knowledge Gated Network for Recommendation
知识图谱在提高推荐性能和可解释性方面发挥着越来越重要的作用。最近的技术趋势是基于信息传播方案设计端到端模型。然而，现有的基于传播的方法未能（1）建模底层的层次结构和关系，以及（2）捕获项目的高阶协作信号，用于学习高质量的用户和项目表示。在本文中，我们提出了一个新的模型，称为层次感知知识门控网络（HAKG），以解决上述问题。从技术上讲，我们在双曲空间中对用户和项目（由用户-项目图捕获）以及实体和关系（在KG中捕获）进行建模，并设计了一个双曲聚合方案来收集KG上的关系上下文。同时，我们引入了一个新的角度约束，以保持嵌入空间中的项目的特性。此外，我们提出了一个双项目嵌入设计表示和传播的合作信号和知识协会分开，并利用门控聚合，以更好地捕捉用户的行为模式，以提取判别信息。在三个基准数据集上的实验结果表明，HAKG与CKAN，Hyper-Know和KGIN等最先进的方法相比取得了显着的改进。对学习的双曲嵌入的进一步分析证实，HAKG提供了对数据层次结构的有意义的见解。
2022-04-11 cs.IR
Where are we in embedding spaces? A Comprehensive Analysis on Network Embedding Approaches for Recommender Systems
University of Technology Sydney（悉尼科技大学）；Shandong University（山东大学）；The University of Queensland（昆士兰大学）
双曲空间和双曲嵌入成为推荐系统的一个热门研究领域。然而，在什么情况下应该考虑双曲空间还不清楚。为了填补这一空白，本文提供了理论分析和经验结果，何时以及在何处使用双曲空间和双曲嵌入的推荐系统。具体来说，我们回答了哪些类型的模型和数据集更适合双曲空间，以及选择哪种潜在大小的问题。我们通过比较欧氏空间和双曲空间在一般项目推荐领域和社会推荐领域的不同潜在空间模型上的性能来评估我们的答案，使用6个广泛使用的数据集和不同的潜在大小。此外，我们提出了一种新的基于度量学习的推荐方法SCML及其双曲线版本HSCML。我们评估我们的结论，双曲空间上SCML和显示的国家的最先进的性能，双曲空间比较HSCML与其他基线方法。
2021-05-19 cs.IR cs.LG
Review-Based Hyperbolic Cross-Domain Recommendation
Samsung（三星）；KAIST（韩国科学技术院）；Korea Institute of Energy Technology（韩国能源技术研究院）
本文提出一种基于评论文本的双曲跨域推荐方法，通过层级感知嵌入与域对齐解决数据稀疏问题，实验验证了其效率、鲁棒性和可扩展性。
2025-03-19 cs.IR cs.LG
Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding
Simon Fraser University（西蒙弗雷泽大学）
前- $N$顺序推荐将每个用户建模为过去交互的项目序列，旨在预测用户可能在“不久的将来”交互的前- $N$排名项目。交互的顺序意味着序列模式在序列中最近的项目对下一个项目有更大的影响时起着重要的作用。在本文中，我们提出了一个卷积序列嵌入推荐模型（\emph{Caser}）作为解决方案，以满足这一要求。其思想是将最近项目的序列嵌入到时间和潜在空间中的“图像”中，并使用卷积滤波器将序列模式作为图像的局部特征进行学习。这种方法提供了一个统一和灵活的网络结构，用于捕获一般偏好和顺序模式。在公共数据集上的实验表明，Caser在各种常见的评估指标上始终优于最先进的顺序推荐方法。
2018-09-19 cs.IR cs.LG
SynerGraph: An Integrated Graph Convolution Network for Multimodal Recommendation
本文提出SynerGraph，一种集成图卷积网络的多模态推荐方法，通过模态净化与自监督辅助任务提升推荐性能，实验证明优于现有最先进系统。
2024-05-29 cs.IR
Joint Multi-grained Popularity-aware Graph Convolution Collaborative Filtering for Recommendation
图卷积网络（GCN）以其高效的高阶连通性捕获能力，在推荐系统中得到了广泛的应用。堆叠多邻居聚合是GCN中的主要操作。它隐式地捕获流行度特征，因为邻居节点的数量反映了节点的流行度。然而，现有的基于GCN的方法忽略了一个普遍的问题：用户对项目流行度的敏感性是有区别的，但GCN中的邻居聚合实际上通过图拉普拉斯归一化来修复这种敏感性，从而导致次优个性化。在这项工作中，我们提出了多粒度的流行度特征建模，并共同学习它们与高阶连接，以匹配流行度特征中表现出的用户偏好的差异。具体来说，我们开发了一个联合多粒度流行度感知图卷积协同过滤模型，简称JMP-GCF，它使用流行度感知嵌入生成来构建多粒度流行度特征，并使用联合学习的思想来捕获与建模用户偏好相关的不同粒度流行度特征内和之间的信号。此外，我们还提出了一种多级堆叠训练策略来加快模型的收敛速度。我们在三个公共数据集上进行了广泛的实验，以展示JMP-GCF的最新性能。
2022-10-10 cs.IR
UltraGCN: Ultra Simplification of Graph Convolutional Networks for Recommendation
UltraGCN 提出跳过无限层消息传递、通过约束损失直接逼近图卷积极限的超简化 GCN 推荐方法，在四个基准数据集上优于现有 GCN 模型并实现超过 LightGCN 10 倍的加速。
2023-11-30 cs.IR
SWGCN: Synergy Weighted Graph Convolutional Network for Multi-Behavior Recommendation
Chongqing University（重庆大学）
SWGCN通过引入目标偏好加权器和协同对齐任务，提升多行为推荐的性能，实现命中率和NDCG的显著提升。
2026-01-31 cs.IR
When Multi-Level Meets Multi-Interest: A Multi-Grained Neural Model for Sequential Recommendation
顺序推荐的目的是根据用户的行为历史来确定用户偏好的下一个项目。与利用注意力机制和RNN的传统顺序模型相比，最近的努力主要遵循两个改进方向：多兴趣学习和图卷积聚合。具体地，多兴趣方法（诸如ComiRec和MIMN）专注于通过执行历史项目聚类来提取用户的不同兴趣，而图卷积方法（包括TGSRec和SURGE）选择基于历史项目之间的多级相关性来细化用户偏好。不幸的是，他们都没有意识到，这两种类型的解决方案可以相互补充，通过聚合多层次的用户偏好，以实现更精确的多兴趣提取更好的推荐。为此，在本文中，我们通过多兴趣学习和图卷积聚合的组合提出了一个统一的多粒度神经模型（名为MGNM）。具体地，MGNM首先学习用户的历史项目的图结构和信息聚合路径。然后，它执行图卷积，以迭代的方式导出项目表示，其中可以很好地捕获不同级别的复杂偏好。然后，提出了一种新的顺序胶囊网络，将顺序模式注入到多兴趣提取过程中，从而以多粒度的方式实现更精确的兴趣学习。
2022-05-03 cs.IR
Graph Embedding for Recommendation against Attribute Inference Attacks
近年来，推荐系统在帮助用户识别满足个人偏好的最合适的项目方面发挥了关键作用。由于用户-项目交互可以自然地建模为图结构数据，因此图卷积网络（GCN）的变体已经成为最新的建模器中公认的构建块。由于敏感用户简档数据的广泛使用，现有的推荐模式可能会使用户面临隐私泄露的威胁，基于GCN的推荐者也不例外。除了原始用户数据的泄漏外，当前的推理攻击的脆弱性为恶意攻击者提供了一个后门，通过他们的行为足迹和推荐结果来估计用户的私人属性。然而，很少有人注意到开发推荐系统，可以抵御这种属性推理攻击，现有的作品实现攻击抵抗牺牲相当大的推荐精度或只覆盖特定的攻击模型或受保护的信息。在我们的论文中，我们提出了GERAI，一种新的差分私有图卷积网络，以解决这些限制。具体来说，在GERAI中，我们将差分隐私中的信息扰动机制与图卷积网络的推荐能力相结合。此外，基于局部差分隐私和功能机制，创新性地设计了一种双阶段加密范式，同时对用户敏感特征和模型优化过程实施隐私保障。大量的实验表明，GERAI在抵抗属性推理攻击和推荐有效性方面的优越性。
2021-01-29 cs.IR
Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation
在推荐系统中，当用户-项目交互数据稀疏时，经常使用社会关系来提高推荐质量。大多数现有的社会推荐模型利用成对关系挖掘潜在的用户偏好。然而，现实生活中的用户之间的交互是非常复杂的，用户关系可以是高阶的。超图提供了一种自然的方式来建模复杂的高阶关系，而其潜力，以改善社会推荐是未被开发。在本文中，我们填补了这一空白，并提出了一个多通道超图卷积网络，通过利用高阶用户关系来增强社交推荐。从技术上讲，网络中的每个通道都编码一个超图，通过超图卷积来描述一个常见的高阶用户关系模式。通过聚合通过多个渠道学习的嵌入，我们获得全面的用户表示，以生成推荐结果。然而，聚合操作也可能掩盖不同类型的高阶连接性信息的固有特性。为了弥补聚合损失，我们创新性地将自监督学习融入超图卷积网络的训练中，以分层互信息最大化的方式重新获得连通性信息。在多个真实数据集上的实验结果表明，该模型的性能优于SOTA方法，消融实验验证了多通道设置和自监督任务的有效性。我们的模型的实现可以通过https://github.com/Coder-Yu/RecQ获得。
2022-02-27 cs.IR cs.SI
Convolutional Gaussian Embeddings for Personalized Recommendation with Uncertainty
Fudan University（复旦大学）；Shanghai Institute of Intelligent Electronics & Systems（上海智能电子与系统研究院）
现有的基于嵌入的推荐模型大多使用嵌入（向量）对应于低维空间中的单个固定点，来表示用户和项目。这样的嵌入不能精确地表示推荐系统中经常观察到的具有不确定性的用户/项目。为了解决这个问题，我们提出了一个统一的深度推荐框架，采用高斯嵌入，这是证明适应一些用户表现出的不确定的偏好，从而更好的用户表示和推荐性能。此外，该框架采用Monte-Carlo抽样和卷积神经网络计算目标用户与候选项之间的相关性，并在此基础上实现精确推荐。我们在两个基准数据集上的大量实验不仅证明了我们提出的高斯嵌入很好地捕捉了用户的不确定性，而且还证明了其优于最先进的推荐模型的性能。
2020-06-19 cs.IR cs.LG stat.ML
Attentive Knowledge-aware Graph Convolutional Networks with Collaborative Guidance for Personalized Recommendation
The Chinese University of Hong Kong（香港中文大学）；Microsoft Research Asia（微软亚洲研究院）；Carnegie Mellon University（卡内基梅隆大学）
为了解决传统推荐系统的数据稀疏性和冷启动问题，引入知识图谱来补充辅助信息成为近年来的研究热点。然而，在现有的基于KG的RS模型中，简单地集成KG并不一定能保证提高推荐性能，这甚至可能削弱整体模型的能力。这是因为这些KG的构建独立于历史用户-项目交互的收集;因此，这些KG中的信息可能并不总是有助于向所有用户推荐。在本文中，我们提出了专注的知识感知的图卷积网络与个性化推荐的协作指导（CG-KGR）。CG-KGR是一种新的知识感知推荐模型，通过我们提出的协作指导机制，可以充分和一致地学习知识组和用户-项目交互。具体来说，CG-KGR首先将历史交互封装为交互式信息摘要。然后CG-KGR利用它作为指导，以提取信息的KG，最终提供更精确的个性化推荐。我们在四个真实世界的数据集上进行了两个推荐任务的广泛实验，即，Top-K推荐和点击率（CTR）预测。实验结果表明，CG-KGR模型在Top-K推荐的召回度量方面显著优于最近的最先进的模型1.4-27.0%。
2022-01-02 cs.AI cs.IR
Beyond Graph Convolution: Multimodal Recommendation with Topology-aware MLPs
针对多模态推荐中GCN过平滑问题，提出拓扑感知多层感知机（TMLP），以MLP替代GCN建模物品关系，结合拓扑剪枝与模态内（间）学习，在三个数据集上超越九个基线，并提升训练效率与鲁棒性。
2024-12-16 cs.IR
HEC-GCN: Hypergraph Enhanced Cascading Graph Convolution Network for Multi-Behavior Recommendation
提出HEC-GCN方法，通过级联建模交互图与超图以捕捉细/粗粒度相关性，并利用行为一致性对齐策略，有效缓解数据稀疏性并保持行为内外一致性，在多行为推荐任务上优于现有方法。
2024-12-19 cs.IR
Disentangled Cascaded Graph Convolution Networks for Multi-Behavior Recommendation
针对多行为推荐中偏好捕捉不准、因素纠缠及缺乏个性化的问题，提出Disen-CGCN模型，通过解耦表示、多行为元网络和注意力机制优化推荐，在基准数据集上较SOTA平均提升7.07%与9.00%。
2024-04-17 cs.IR
Graph Convolutional Network for Recommendation with Low-pass Collaborative Filters
Tsinghua University（清华大学）
\textbf{G}卷积\textbf{N}网络（\textbf{GCN}）被广泛用于图数据学习任务，例如推荐。然而，当面对一个大的图，图卷积是非常昂贵的计算，因此被简化在所有现有的GCN，但严重受损，由于过度简化。为了解决这个问题，我们利用GCN中的\textit{original graph convolution}，并提出了一个\textbf{L}低通\textbf{C}协同\textbf{F}过滤器（\textbf{LCF}），使其适用于大型图。LCF的设计目的是去除观测数据中由曝光和量化引起的噪声，并且以无损的方式降低图卷积的复杂度。实验表明，LCF提高了图卷积的有效性和效率，我们的GCN显着优于现有的GCN。代码可在\url{https://github.com/Wenhui-Yu/LCFN}上获得。
2021-01-18 cs.IR cs.LG stat.ML
Non-parametric Graph Convolution for Re-ranking in Recommendation Systems
针对推荐系统排序阶段图卷积计算成本过高的问题，提出仅在测试期间应用的非参数图卷积重排序策略，作为即插即用模块显著提升排序质量且几乎不增加计算开销。
2025-07-14 cs.IR
