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

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

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

本篇论文提出了一种新的推荐框架，名为神经图协同过滤 (NGCF)，它通过在用户 - 物品图上传递嵌入来利用用户物品图结构，并显式地将协同信号注入到嵌入过程中，以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验，表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。

May, 2019

本文探讨了通过神经协同过滤中的多层感知机 (MLP) 学习相似性和点积进行组合嵌入的方法，并证明在恰当的超参数选择下，使用简单的点积可以显著优于所提出的学习相似性的方法。

May, 2020

本文提出了基于神经张量分解的动态关系数据预测模型，该模型利用长短时记忆网络来刻画关系数据中的多维时间交互作用，并结合多层感知器结构学习不同潜在因素之间的非线性关系，实验证明该模型在评级预测和链接预测方面性能显著优于神经网络因子分解模型和其他传统方法。

Feb, 2018

本研究针对协同过滤提出新的多层神经网络架构 ONCF，采用外积表达嵌入空间维度之间的相关性，提出在卷积神经网络上应用外积来学习高阶相关性的方法，并在公共数据集上进行了大量实验以验证其有效性。

Aug, 2018

本文提出一种改进的基于联邦学习的神经协同过滤推荐系统，名为 FedNCF，通过隐私保护聚合提高用户数据的安全性和数据保护合规性，并且在与原始 NCF 系统相比不降低推荐质量的情况下，实现更快的模型收敛速度。

Jun, 2021

通过使用非线性神经网络来建模更高阶级别的电影推荐系统中交互产品之间的关系并使用注意力网络来建模更精细的第二阶交互，可以有效地提高推荐质量。

Nov, 2018

本文研究基于交互反馈的协同过滤推荐系统，提出了一种使用神经网络进行探索策略的方法，并使用强化学习最大化用户的满意度来平衡学习用户偏好和进行精准推荐的探索策略，在三个标准数据集上的实验证明了该方法的优越性。

Jul, 2020