本文提出了一种在 Variational Autoencoders 框架下利用用户评论文本并加入用户自适应先验来提高协同过滤推荐质量的方法，实验证明该方法比已有的基于用户评分与文本的推荐模型有更高的排名指标。
Jul, 2018
本文利用变分自编码器和电影嵌入向量，应用于电影推荐，通过 VAE 网络获取潜在表示，探索了合作式过滤的新方法。
该论文提出了基于变分自编码器的推荐 VAE（RecVAE）模型，通过多种方法改进了 Mult-VAE 模型并优于以前提出的基于自编码器的模型，实验结果表明 RecVAE 显著优于先前提出的基于自编码器的模型。
Dec, 2019
本文中我们提出了一种基于循环神经网络的变分自编码器模型，用于建模用户偏好，并且通过处理时间信息以改善精度。我们的模型可以捕捉用户消费序列中的时间依赖关系，并保持变分自编码器的基本特征。
Nov, 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
本研究提出一种基于 VAE 的非线性概率模型，用于解决协作过滤问题，相对于现有的线性因子模型，具有更强的建模能力，并使用贝叶斯推断进行参数估计来得到更好的泛化性能。本方法在现有多个数据集上均取得了显著优异的性能表现，并对使用多项式分布作为似然函数进行了比较实验，分析了使用贝叶斯方法的优缺点及适用场景。
Feb, 2018
本文提出了一种基于深度自编码器的新模型，通过对 Netflix 数据集进行评分预测任务，相对于之前的模型具有明显优势。该模型不需要层预训练，采用 6 层自编码器进行端到端的训练，通过实验证明：深度自编码器模型的泛化能力比浅层模型更好，负部分的非线性激活函数对于训练深度模型至关重要，必须大量采用正则化技术，如 dropout，以防止过拟合。此外，我们提出了一种基于迭代输出反馈的训练算法，以克服协作过滤的自然稀疏性，该算法显著加速了训练并改善了模型性能。
Aug, 2017
本文综述了基于用户或物品侧面信息的推荐系统研究，并从方法论和侧面信息表示两个角度，概括了基于记忆、潜在因子、表示学习和深度学习等不同方法的最新推荐算法。同时阐述了结构化数据和非结构化数据的侧面信息表示，并探讨了应用推荐系统面临的挑战和未来发展方向。
Sep, 2019
本文提出了一种名为 ACVAE 的新方法，利用变分自编码器（VAE）和对抗训练来生成高质量的潜在变量，同时使用对比损失来学习个性化特征，并在捕捉序列的全局和局部相关性之前引入了卷积结构，实现了基于序列的推荐，实验表明，ACVAE 模型胜过其他现有的方法。
Mar, 2021
本文提出了一个基于可变自编码器的多源学习框架，其中每个自编码器都是在不同的信息源的条件下进行的。我们在小数据集上展示了其学习效果，并在结构化输出预测方面进行了评估，同时证明了在多源情况下冲突检测和冗余可以增强推断的鲁棒性。