提出了一种高效的全方位基于语言模型的推荐系统，能够在冷和热场景下表现出卓越的性能，并利用协同知识和高质量用户 / 物品嵌入来生成自然语言输出。

Apr, 2024

本文章提出了一种名为 Collaborative Memory Networks (CMN) 的深度神经网络，可以有效地结合 latent factor model 和 local neighborhood-based structure，而不是单纯地使用 latent factor model，以提高协同过滤推荐系统的精度和效率。实验结果表明，CMN 在三个公共数据集上优于竞争基线。

Apr, 2018

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

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

本论文提出了一种个性化神经嵌入框架 (PNE)，通过融合互动和单词来预测用户对物品的期望，解决了传统协同过滤方法中物品与用户关系稀疏的问题，并在两个真实数据集上展示了比四个基线模型更好的性能表现。同时，通过可视化展示了 PNE 可以学习到有意义的单词嵌入。

Mar, 2019

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

这项研究介绍了一种名为 XRec 的模型无关框架，利用大型语言模型（LLMs）的语言能力推动可解释的推荐系统的发展，该框架通过集成协作信号和设计轻量级的协作适配器使 LLMs 能够理解用户和物品之间的复杂模式并更深入地了解用户的偏好，全面且有意义的解释能力优于其他基准方法。

Jun, 2024

文章介绍了一个名为 “CF-UIcA” 的神经协同自回归模型，它可以处理大规模的协同过滤任务，并在 MovieLens 1M 和 Netflix 数据集上达到了最佳性能。

Dec, 2016

为解决个性化基于评论的评分预测中的问题，提出了一种名为 KCF-PLM 的知识感知协同过滤与预训练语言模型的方法，将评论文本、方面、知识图和预训练语言模型结合起来，通过表示传播和用户 - 物品引导关注来模拟用户 - 物品交互，实验证明了 KCF-PLM 的有效性。

Aug, 2023

通过对传统的 Collaborative Filtering (CF) 方法和不同大小的 LLMs 在用户评分预测任务上的比较，发现 LLMs 存在数据效率方面的潜力，可以通过 fine-tuning 来达到与传统方法相当甚至更好的性能表现。

May, 2023