本文提出了一种可解释性的 Restricted Boltzmann Machines (RBM) 协同过滤方法，该方法能够从可解释的项目中计算出前 n 个推荐列表，并证明了该方法能够生成准确而可解释的推荐结果。

Jun, 2016

本研究针对协同过滤在推荐系统中的广泛应用， 介绍了一个基于余弦相似度的在线协同过滤推荐模型，通过探索物品和用户之间的相似关系，期望最大化用户接受推荐的物品数量。研究结果表明，该算法在不知道用户类型数的情况下，经过几步初始探索，就可达到最佳表现。

Oct, 2014

该文章描述了几种算法来实现协同过滤或推荐系统，并使用不同的评估方法比较了它们的预测准确性。结果表明，在大多数情况下，每个节点具有决策树的贝叶斯网络和相关性方法优于贝叶斯聚类和向量相似度方法。

Jan, 2013

本文提出了一种集成式协同过滤算法，采用概率模型集成物品、用户以及其关联性来处理多样的数据，得到比 L2Boost 更优的实验结果。

Jun, 2018

提出一种用于协作推荐的随机模型，深入分析了余弦型最近邻协作过滤算法的渐近性能，建立该程序在模型的温和假设下的一致性，并提供了收敛速度和例子。

Oct, 2010

本文提出了一种自适应聚类技术，以探索 - 利用策略为基础，用于内容推荐系统中高动态性的推荐领域，该算法利用数据中的喜好模式，具有与协同过滤方法类似的优点，对中等规模的真实世界数据集进行了实证分析，表现出可扩展性和预测性能提高。

Feb, 2015

本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下，针对新用户的优秀推荐，并具有等效的矩阵因式分解表现。

Jul, 2020

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

本文研究和提出了两种新的图形模型，解决了用户偏好和评分之间的区别问题，通过两个电影评分数据集的实证研究，证明了明确建模用户偏好对于协同过滤非常重要，但是不能完全忽略评分信息。

Oct, 2012

本文研究了协同过滤问题中推荐给用户的物品之间的依赖关系模型，提出了一种基于高斯马尔科夫随机场的自动归一参数化和伪似然函数的方法，可以实现计算效率和推荐准确性之间的平衡。通过几个数据集的实验证明了该方法的有效性。

Oct, 2019