本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架，称为 “NCF”，包括采用多层感知器来学习用户与物品交互功能，实验表明该框架可以显著提高推荐效果。

Aug, 2017

本文提出了 CF-NADE 模型，基于 Restricted Boltzmann Machine 和 Neural Autoregressive Distribution Estimator，包括模型改进，参数共用，优化成本等，实验证明在三个数据集上表现均超过当前所有最先进方法。

May, 2016

通过利用隐性反馈数据，本文提出了一种名为 implicit CF-NADE 的神经自回归模型，其中通过将用户的隐式反馈数据转换为喜欢向量和置信向量，并将隐式相对评分的观看次数作为输入，在数字电视流媒体服务数据集上进行了测试，与流行的隐式矩阵分解方法相比，implicit CF-NADE 模型的表现更佳。

Jun, 2016

本研究提出了一种层次贝叶斯模型，名为 CDL，其通过深度表示学习和协作过滤来处理稀疏的推荐数据，并在三个真实世界数据集上验证了其有效性。

Sep, 2014

文章提出了 Collaborative Reflection-Augmented Autoencoder Network (CRANet) 相关理论，旨在解决在训练阶段中由缺省数据引入的负信号所带来的推荐性能下降问题，并通过实验验证 CRANet 相比于其他推荐技术可以显著改善推荐问题的性能。

Jan, 2022

本文探讨了一种替代方法，不再假设用户未交互的物品一定是消极的，而是假设比用户交互过的物品更不受偏爱，并结合最近提出的神经协同过滤框架和新的分类策略提出了一种基于神经网络的协同排名框架。实验结果表明，相比于几种最先进的方法，我们的方法具有更优异的性能。

Aug, 2018

通过将深度学习技术应用于推荐系统，本文提出了一种改良的跨属性矩阵因子分解模型，该模型不仅考虑了用户与物品之间的交互，还跨越了相关属性，有效解决了冷启动问题。实验证明，在高数据稀疏性的情况下，该模型在 Movielens 和 Pinterest 数据集上表现优越。

Aug, 2023

本文提出了一种 J-NCF 方法，旨在通过深度特征学习和深度交互建模优化协同推荐效果，实验验证了其在模型性能方面的表现。

Jul, 2019

本文提出了一种自监督的协同过滤框架 (SelfCF)，能够用于隐式反馈的推荐场景，该框架简化了 Siamese 网络并能够轻松应用于现有的基于深度学习的协同过滤模型，通过三种输出扰动技术来增强骨干网络生成的嵌入，尽管不区分背骨模型，但仍能够在四个数据集上实现比封装的监督对应物更好的推荐准确性，训练速度为 2×-4×，平均能提升 17.79％与自我监督框架 BUIR 相比。

Jul, 2021

基于协同过滤模型的课程推荐引擎的提出与优化，解决了缺乏评级和元数据、课程注册不平衡以及课程依赖性建模等挑战，并通过基于课程转换网络的图推荐器，实现了真实数据集 AUC 值高达 0.97。

Nov, 2023