本研究提出了基于图神经网络的矩阵补全算法，能够在没有用户或电影的年龄、种类等附加信息的情况下，通过在评分矩阵上提取 “用户 - 电影” 的子图来预测缺失的评分数据并取得竞争力相当的性能，而且其模型可以推广到训练期间没有出现的用户和电影上，并可用于其他相关任务，该方法证明了不需要过多的附加信息来建模推荐系统。

Apr, 2019

本研究介绍了一种使用几何深度学习处理用户 / 项目对之间局部稳定性结构的新方法。矩阵完成架构结合了图卷积神经网络和循环神经网络，以学习有意义的统计图结构模式和非线性扩散过程，从而生成已知的评分，具有与矩阵大小无关的恒定参数数量。在合成数据和真实数据集上进行了实验，表明该方法优于现有技术。

Apr, 2017

基于高斯过程潜变量模型的贝叶斯非线性矩阵补全算法，经过数据并行分布式计算方法加以优化，实现了对于高度稀疏大型矩阵的预测任务，得到了较好的实验结果。

Jul, 2019

该研究提出了一种基于低秩假设的推荐算法，用非凸秩松弛而不是核范数来提供更好的秩近似和高效的优化策略，经过实验证明，该方法将 Top-N 推荐的准确性提升到了一个新的水平。

Jan, 2016

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

这篇研究论文从图的角度考虑了推荐系统的矩阵填充问题，提出了一个基于可微分消息传递的自编码器框架，并在该领域常用的协同过滤数据集中表现出了良好的性能，尤其是在结构化数据和社交网络数据等背景信息充足的场景中的表现更为优异。

Jun, 2017

本论文研究了基于用户年龄或电影类型等内容信息，预测新用户或新电影评分的电影推荐系统，提出了使用低秩矩阵加特征向量生成评分矩阵的方法，并探讨了使用基于排名的测量值进行低秩矩阵恢复的问题和方法，并在具体三个问题上进行了应用和实验验证。

Jun, 2013

本研究发现 real-world 数据集中的评分偏差会影响基于矩阵补全的协同过滤推荐系统预测准确性，且建议采用基于评分数量的算法以提高预测准确性。

Apr, 2019

本文提出基于神经网络的推荐模型（NeuRec），该模型通过排序任务展示了其在个性化推荐方面的优异性能，同时解决了用户 - 物品交互中的复杂性和非线性问题，并通过非线性转换和隐性因素的组合，设计出两个变体 NeuRec 模型，即基于用户的 NeuRec 和基于物品的 NeuRec。

May, 2018

本文介绍了一种用于推荐系统的基于自编码器的架构，通过使用适用于缺失数据的损失函数和引入侧面信息来改进其性能。实验证明，侧面信息对冷启动用户 / 物品的影响更显著。

Jun, 2016