本文提出了一种基于复合泊松矩阵分解的共轭数值稳定动态矩阵分解（DCPF）方法，用于建模平滑漂移的潜在因素和预测未来的用户 - 项交互，通过 Netflix、Yelp 和 Last.fm 等数据集的测试，DCPF 模型的预测准确性优于目前流行的静态和动态因子分解模型。

Aug, 2016

本篇论文旨在通过 recently proposed compound Poisson Factorization（cPF）方法，建立基于原始计数数据的推荐系统。研究结果表明，应用 dcPF 模型可以有效地调整过度离散数据，并提高推荐得分。

May, 2019

研究使用贝叶斯泊松矩阵因式分解模型对大量的稀疏用户行为数据进行推荐，并应用于电影评分、歌曲收听和科学论文阅读等领域，结果表明其优于传统矩阵因式分解方法。

Nov, 2013

本文提出了一种称为 Recurrent Poisson Factorization (RPF) 的框架，该框架可以将经典 PF 方法进行推广，通过利用泊松过程来建模隐式反馈，从而处理动态用户偏好和商品规格、社交产品采纳方面的问题以及用户和商品之间的消费异质性，并且，我们还开发了一种变分算法来进行近似后验推断，以及在合成数据集、音乐串流日志和电子商务平台上演示了 RPF 方法的优越性。

Mar, 2017

本论文提出基于 Poisson 分解模型的动态矩阵分解模型 dPF，使用卡尔曼滤波器来建立时间演化的潜在因素，用泊松分布来解释行为，进而提出了可扩展的变分推理算法并在 arXiv.org 上验证，相比静态和其他动态推荐模型，提高了推荐性能。

Sep, 2015

本文研究了稀疏计数数据的多线性建模问题，提出了一个以泊松分布为假设的描述性张量分解模型和相应的算法和理论，并介绍了一种基于主导极小化方法的泊松张量分解算法，称为 CP-APR，并在几个数据集上的结果得到了验证。

Dec, 2011

本文介绍了一种新的非负矩阵分解方法 OrdNMF，可以在推荐系统中处理分类数据，而不需要进行二值化处理，并且在数据表示和算法效率方面都具有优势。

Jun, 2020

本文提出了一种新的序列预测算法，称为 HPFs，其中采用了分层划分特征空间、学习专门的预测器以及本地在线学习等三个原则，该算法可以在拥有强大模型类的同时提供理论上的遗憾保证和与深度神经网络相当的实证性能。

May, 2023

提出一种 Gamma 过程动态泊松因子分析模型，通过建立一个新的马尔科夫链来推断 Gamma 形状参数，应用于文本和音乐分析，取得最先进的结果。

Dec, 2015

通过构造负二项分析（NBFA）来解决泊松分布捕捉协变量出现在样本中自我重复及与其他协变量之间激发关系的局限性，并利用分层伽马负二项过程支持数不尽的因素。设计了两种基于多项式分布的混合成员模型，实现快速收敛和低计算复杂度的阻塞吉布斯采样器，提供比以前的方法更具优势的紧凑表示，预测能力和计算复杂性。

Apr, 2016