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

本文提出了一种基于项目投影的共同聚类算法，以解决处理双向图时向量空间模型表现的问题。通过在聚类检索任务中测试，该算法能够产生平衡良好的聚类和相关项目，并导致高的检索得分。

Sep, 2021

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

通过引入自然语言评论作为优化产品表示的一种方式，将旁路信息融入基于协同过滤的推荐系统可以提高其性能表现；本文提出两种不同类型的评论模型，包括基于神经网络的词袋专家模型和循环神经网络模型，并证明前者的模型灵活性表现出了更高的性能表现，超越了基于 LDA 的方法。

Jun, 2018

通过提取结构化知识，我们提出了一种端到端的联合学习框架，旨在解决基于嵌入的推荐模型缺乏可解释性和受到数据稀疏性的困境。实验证明，该框架能够实现最先进的推荐效果，并且能够提供可解释的推荐原因。

Dec, 2019

本研究旨在开发一种多任务学习解决方案，通过联合张量分解整合用户偏好模型和文本解释模型来解释自动生成的推荐，从而提高用户的满意度，并且得到了两个大型 Amazon 和 Yelp 评论数据集的证实。

Jun, 2018

提出一种新的矩阵近似方法，使用基于协同聚类的加法模型取代低秩分解，实现对多维用户偏好数据的高效建模与近似，其优于传统的低秩分解和协同聚类方法，该方法在 Netflix 问题下表现出色。

Dec, 2014

本技术报告介绍了特征基矩阵分解的实现，该模型是矩阵分解模型的许多变体的抽象，可以通过定义新特征而利用新类型的信息，而无需修改任何代码。使用该工具包，我们构建了 KDDCup'11 赛道 1 报告的最佳单个模型。

Sep, 2011

本文介绍了一种可以自动处理大量评论并汇总生成简明摘要的产品评论汇总系统，通过应用聚类并选择代表性候选项来解决现有产品汇总系统无法提供支持用户意见的根本原因的缺点。

Oct, 2011

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