本文提出了一种将通用邻域信息添加到推荐模型的矩阵分解扩展，并将用户和项目分成不同的类别，以查看这些类别共享的偏好。实验证明，将类别的通用潜在特征应用于分解的推荐模型可以提高推荐的准确性。

Jan, 2013

提出了一种使用联邦学习框架的多视图矩阵分解方法，旨在学习多视图模型且无需将用户的个人数据传输到中央服务器。在三个生产数据集上进行了实证验证，结果表明这种方法在联邦推荐任务的冷启动预测方面表现优于不考虑数据多视图结构的简单方法，同时证明了该方法对复杂的预测任务的有用性。

Apr, 2020

本文提出了一种新颖的基于层次贝叶斯模型的社交网络信息效果预测方法，并结合主题建模和概率矩阵分解，从训练数据中自动推断有用的潜在主题和社交信息以及其对协作过滤的重要性，并展现了该算法在推荐系统方面优于现有方法的实验结果，揭示了社交圈在信息的决策过程中比个人品味更具影响力，以及可能在许多利用社交信息的推荐系统中存在的信息泄露问题的解决方案。

Jun, 2012

本文为了弥补目前推荐系统领域中对于基于张量方法的研究欠缺的问题，全面回顾和讨论了基于张量的推荐模型的应用以及未来的发展方向。

Mar, 2016

本文介绍了两种基于 Latent Dirichlet Allocation (LDA) 和 word2vec 模型的 Feature-based 模型，一个基于主题模型的 FM 模型，一个基于向量模型的 FM 模型，通过对比实验验证，向量模型的 FM 模型效果更好，因为它包含观看历史的顺序信息。

Oct, 2014

提出了一种新的推荐技术，称为 “度量分解”，通过使用欧几里得距离测量用户和项目之间的显式接近度来克服矩阵分解中采用的点积无法满足不等式的问题。实验证明，我们的方法在评分预测和项目排名任务上均优于现有的最先进方法。

Feb, 2018

本文提出了两种采用混合维度嵌入的矩阵分解模型，可以采用交替最小二乘法以大规模并行的方式进行优化，并针对用户和项目的流行度偏斜实现了是用稀疏，混合维度或共享嵌入降低参数数量和过度拟合的研究。

May, 2022

本文提出了一种可解释性推荐模型 Multi-Matrix Factorization（MMF），该模型通过利用不同项中存在的共同属性来解决了传统矩阵因子分解模型的可解释性和冷启动问题，并通过加权聚合用户潜在向量和属性潜在向量的内积生成属性评分，提供了更细粒度的分析，综合评测结果表明，MMF 在准确性方面优于现有模型。

Aug, 2019

介绍了一种预测显示广告中用户点击率和转化率的实时预测系统，该系统采用基于领域的分解机方法，得到了良好的预测效果。我们还讨论了模型训练中的一些挑战和解决方案。

Jan, 2017

该研究提出了一种基于矩阵分解的推荐系统，称为 ParaMat，通过对原始数据的几何形状进行分析，设计了一种新的算法并在实验测试中与其他 8 个算法进行比较，证明其是最公平的算法。

Jan, 2023