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

本研究针对协同过滤在推荐系统中的广泛应用， 介绍了一个基于余弦相似度的在线协同过滤推荐模型，通过探索物品和用户之间的相似关系，期望最大化用户接受推荐的物品数量。研究结果表明，该算法在不知道用户类型数的情况下，经过几步初始探索，就可达到最佳表现。

Oct, 2014

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

设计了一个叫做 B-LATTICE（通过矩阵完成的被阻塞潜在臂选择的协作性乐透机制）的算法，通过满足预算限制并在用户之间进行协作，以最大化他们的累积奖励。在理论上，满足合理的潜在结构假设，对于具有 M 个用户，N 个臂，每个用户 T 轮和 C=O (1) 个潜在类别的问题，B-LATTICE 在预算约束为 B=O (logT) 的条件下，实现了每个用户的尽量减小后悔为 O (√(T (1+N/M)))。这是该问题的首个次线性后悔上界，当 B=T 时与极小后悔上界相匹配。实证上，我们证明了即使在 B=1 时，我们的算法也具有优越的性能。

Oct, 2023

本文提出了一种基于文本向量表示的协作过滤算法，用于在获取商品评分困难的情况下进行推荐，并与现有的算法进行了对比验证其有效性。

Mar, 2017

本文提出一种基于树的方法来解决推荐系统中引入更多表现形式且更为复杂的模型（例如深度神经网络）时所面临的计算困难问题。我们的方法可以提供对数级的计算复杂度，并在两个大规模真实世界数据集上取得了较好的实验效果，同时在淘宝广告平台的在线 A/B 测试中也证明了它在生产环境下的有效性。

Jan, 2018

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

本研究提出一种模型，在用户冷启动情况下，通过提问找到一些初始化评分，并用这些信息建立有效的代表，以解决协同过滤问题。这种方法在四个不同数据集上得到验证，并改善了基准性能。

Dec, 2014

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