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

本文研究和扩展了一种名为玻尔兹曼机的概率模型，以无缝整合相似性和共现模式，完成协同过滤任务，并提出了处理偏好序列的参数化选项，同时模拟了基于用户和基于项目的过程，并在中等和大规模电影推荐实验中表现出与现有方法相当的竞争力。

May, 2012

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

该研究提出了两种基于用户 - 用户和物品 - 物品协同过滤算法的在线推荐系统，以探索性建议为基础，并证明了它们的性能保证以及信息论下界对协同过滤算法的优化建议。

Nov, 2017

本文提出一种由协同过滤数据样本优化得到的基于内容相似度度量的音乐推荐系统，能够对于新颖或不受欢迎音乐领域的查询给出高精度和高效率的回答，并且在实验中得出了显著的精度改善。

May, 2011

本研究通过解决冷启动问题来建立协同过滤（CF）的推荐系统，并通过将优化问题形式化为寻找内容不可用的新项目的最优用户评级的任务来研究是否可以仅使用 CF 技术来缓解此问题。我们提出了单调超模函数的目标函数，并提出一种基于高效最优设计的算法来找到逼近其最优解的解。最后，我们使用 Netflix 数据集对我们的算法进行经验证实，证明其性能超过了该问题的多个基准。

Jun, 2014

本文提出一种新的概率方法，将用户对物品的暴露度纳入协同过滤，将其建模为潜在变量，并从数据中推断其值，用于探索不同的领域和暴露度协变量下的问题，并在四个不同的领域中超过了现有基准的性能。

Oct, 2015

研究在线用户行为的推荐系统，介绍针对在线正面评级的一类协同过滤算法，分析了用户响应概率、探索用户喜好所需评级数和更新用户偏好所需评级数之间的相关性，探讨正负评级和正面评级之间相同和不同的方面对于评级数的影响。

May, 2017

分析了基于记忆的协同过滤方法中的相似性估算器的谱特性，说明 Pearson 和 cosine 相似性估算器中存在的噪声和特征值扩散问题，提出了一种简单的重新缩放和噪声清理方案，使基于记忆的方法表现更好。

May, 2019

本研究提供了一个设计和分析各种协同过滤推荐算法的框架，研究发现相比于用户 - 用户协同过滤，基于商品 - 商品的过滤算法表现得更好，并能够以快速的速度为缺乏信息的新用户提供良好的推荐表现，该过滤算法的具体实现是在线二进制矩阵填充。

Jul, 2015