title：Incremental Graph Convolutional Network for Collaborative Filteringlink：https://dl.acm.org/doi/pdf/10.1145/3459637.3482354from：CIKM 2021

title：Long Short-Term Temporal Meta-learning in Online Recommendationlink：https://arxiv.fenshishang.com/pdf/2105.03686.pdffrom：WSDM 2022

本文是针对会话推荐提出的相关方法，兼顾历史会话信息和会话中商品间的转换模式，提出异构全局图网络HG-GNN，利用所有会话中的商品转换（历史和当前的会话）来推断用户的偏好。全局图包含会话内的item-item关系，user-item关系和...

协同过滤（CF）一般包含三个部分：交互编码器、负采样和损失函数。现有的大部分工作集中在设计更强模型上，对负采样和损失函数的改进的相关工作比较少。相较于交互信息的编码而言，另外两者也同样重要，本文作者提出了一个新的损...

本文针对会话推荐方向，相较于关注序列中的单个商品，本文关注如何利用GNN从连续片段中捕获用户偏好。通过多粒度连续用户意图单元捕获用户兴趣，作者提出了多粒度意图异构会话图（MIHSG），它捕获了不同粒度意图单元之间的交互并...

title：Self-Supervised Graph Co-Training for Session-based Recommendation

GCN存在过度平滑问题，在推荐系统中运用GCN同样也会面临这个问题。LightGCN 和 LR-GCN 在一定程度上缓解了这个问题，然而它们忽略了推荐中过度平滑问题的一个重要因素，即没有共同兴趣的高阶相邻用户会参与用户在图卷积操...

本文是针对序列推荐而提出的相关方法，MoSeR。该方法在考虑行为序列宏观结构的同时，进一步考虑微观结构。MoSeR捕获隐藏在行为序列中的模式以对微观结构特征进行建模。MoSeR 提取同时包含最后一个行为和目标商品的模式。...

本文是针对图神经网络在推荐系统中的应用提出的相关方法LGCF，对于用户-商品交互数据稀疏的情况下，无法得到较好的embedding来计算偏好。LGCF不需要为每个用户和商品学习embedding，旨在将有用的 CF 信息编码到局部图中，并...

本文希望通过结合多种类型的行为（访问页面，喜欢，购买等），从而发掘用户和商品之间的复杂关联。但是这类方法通常面临两个问题：