这篇论文使用谱规则化的线性算子来协同过滤，通过低秩矩阵分解的方式提供一种新的估计方法，并测试了在标准 CF 数据集上的学习算法，最后将其推广为多任务学习的特例。
Feb, 2008
研究使用带权痕迹范数学习时的采样分布问题，提出强有力的学习保证方法，并证明其对实际测试的效果更好。建议使用经验分布加权，而非真实分布加权。
Jun, 2011
本文针对协作排名问题展开研究，通过基于凸优化的算法和AltSVM这种大规模非凸实现方式，实现从用户提供的两两偏好比较结果中预测他们对未曾见过物品的偏好，该算法展现出了在多个协作过滤数据集中NDCG和排名性能的许多中等规模基线的表现优势。
Jul, 2015
本文提出了一种基于动态矩阵分解框架的协同过滤方法，该方法允许在未知值上设置显式先验，能够在用户、物品或者评分的数量增加时快速更新分解，从而快速向最近的用户推荐物品。该方法在三个大规模数据集上进行了测试，包括两个非常稀疏的数据集，在静态和动态条件下均取得了优于不使用先验值的矩阵分解方法的结果。
本研究发现 real-world 数据集中的评分偏差会影响基于矩阵补全的协同过滤推荐系统预测准确性，且建议采用基于评分数量的算法以提高预测准确性。
Apr, 2019
采用超空间正则化协同过滤提出一种基于超bolic几何的模型优化算法，能够增强模型区分能力并避免过分平滑问题，实验结果表明在公共基准测试中具有高度竞争性的表现并超越其他欧几里得和超球面模型。
Apr, 2022
本文提出了一种基于采样区域的负采样方法：DINS，与现有的采样方法有所不同，DINS的三个模块分别是难负样本界定，维度无关混合和多跳池化，实验表明DINS优于其他采样方法，成为一种实现最佳性能的负采样方法。
Jun, 2023
本文分析了现有损失函数之间的关系，揭示了先前的损失函数可以解释为对齐和均匀度函数，并基于此分析提出了一种新的损失函数MAWU，该函数考虑了数据集的独特模式，通过缓解用户/物品特定的流行度偏差和调整用户和物品均匀度之间的重要性，使得使用MAWU的MF和LightGCN在三个公共数据集上与各种损失函数的最先进的协同过滤模型相媲美或更优。
Aug, 2023
通过提出CF-Diff方法，结合扩展的协作标志、多跳邻居以及交叉注意力引导的多跳自动编码器（CAM-AE），克服了现有扩散模型推荐系统在准确推荐方面无法明确利用包含关键协作信号的高阶连接问题。实验证明，CF-Diff在三个真实世界数据集上优于基准推荐方法，相对最佳竞争对手的表现可达到7.29％的显著增益，并确保了计算效率与用户或物品数量呈线性比例。
Apr, 2024
在结构化环境下，本文提出了一种改进的低秩矩阵补全方法，通过引入离散字母表集合，使用基于连续可微函数的分数规划方法规范离散性，从而比现有方法和基于L1范数的离散感知矩阵补全方法具有更好的性能。
May, 2024