推荐系统图神经网络顶会文献

推荐系统结合了图神经网络 (Graph Neural Networks, GNNs) 的优势，在处理用户、商品、兴趣等实体之间的复杂关系数据上展现出强大的潜力。在顶会上，关于这个领域的研究论文通常涉及以下几个方面：

1. **模型设计**：如应用于社交网络的SocialGAT（Social Graph Attention Network）、用于协同过滤的GC-MC（Graph Convolutional Matrix Completion），以及基于知识图谱的KGAT（Knowledge Graph Attention Network）。

2. **深度学习与图结构融合**：论文探讨如何通过深度学习架构，如GCN (Graph Convolutional Networks)、GAT (Graph Attention Networks) 或者Transformer结构，捕捉用户的动态兴趣和交互模式。

3. **个性化推荐**：GNNs被用来挖掘用户的历史行为和偏好，生成个性化的物品推荐列表，提升用户体验。

4. **联合训练和多任务学习**：研究如何将推荐系统与其他信息检索任务（如广告点击预测、评论情感分析）结合起来，利用跨任务的知识共享提高性能。

5. **评估与挑战**：讨论如何衡量推荐系统的图结构效果，例如新颖性和多样性，同时关注如何处理稀疏性和冷启动问题。

一些重要的图神经网络相关的推荐系统顶会包括但不限于SIGIR (ACM International Conference on Information and Knowledge Management)、KDD (Conference on Knowledge Discovery and Data Mining)、WWW (World Wide Web Conference) 和 ICLR (International Conference on Learning Representations) 等。如果你想深入了解这方面的最新进展，可以查阅这些会议的论文集或者搜索在线资源，如arXiv预印本库。