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
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
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
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
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
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
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
本文提出了一种新的协作推荐系统框架，即协作推理 (CR)，将学习和推理融为一体。该框架通过一种神经模块化的形式，将符号推理操作嵌入到基于神经网络的模型中，将逻辑表达式等价地组织为神经网络，从而实现了在连续空间中进行逻辑推理和预测。实验证明，与现有的浅层、深层和推理模型相比，本文提出的框架具有更好的推荐性能。