推荐系统中的潜在因子模型是一种有效的方法，本文通过结构化框架对潜在因子模型在学习数据、模型架构、学习策略和优化技术等方面进行了系统回顾，并分析了学习数据类型、各种模型和学习策略以及优化策略的趋势与潜在研究方向。
May, 2024
本文使用回归树辅助学习潜在因子模型，针对用户和物品分别构建回归树，并将每个节点上的潜在因子作为用户和物品的表示。通过跟踪每个因子在回归树上的路径，提供生成推荐结果的解释。实验证明该模型的实用性与竞争基准算法相比优越性。
Jun, 2019
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
本文介绍了一种基于分类术语的潜在因子模型 (TF)，并将其用于推荐系统，以提高推荐精度和处理数据稀疏性和冷启动问题，该模型将分类术语与潜在因素相结合，并使用加法模型。同时，该模型还利用高阶马尔科夫链考虑到用户兴趣的时间动态和能够处理大规模数据。使用真实世界的购物数据集进行实验证明该模型比现有方法具有更好的推荐性能和运行时间。
Jun, 2012
该研究提出一种将基于因子分解的模型与论证框架相结合的新模型，通过在模型的每个阶段提供明确的含义，使其能够产生易于理解的推荐解释，并能够结合用户上下文等附加信息实现更准确的预测。
通过使用多模态、面向方面的主题模型（MATM）和面向方面的潜因子模型（ALFM）来结合文本评论和物品图像与评分，解决了潜因子模型在推荐系统中存在的冷启动、非透明性和子优解等问题，并且在 Yelp 2017 挑战数据集和亚马逊产品数据集上实验表明了该方法的有效性。
Nov, 2018
本文提出了一种新的框架来学习具有所需结构属性的多元数据的可控和通用表示，该模型利用图模型中的掩码变量表示归纳偏置，并扩展多元信息瓶颈理论来强制执行结构依赖性，从而提供原则性方法来学习一组语义上有意义的潜在因素，其反映了各种类型的期望结构，如捕获相关性或编码不变性。同时还提供了自动估计数据中依赖关系的灵活性，该框架统一了许多现有的生成模型，并可应用于各种任务，包括多模态数据建模、算法公平性和不变风险最小化。
基于深度学习的深度潜在因素模型在协同过滤推荐系统中表现出色，实验证明该技术明显优于所有现有的协同过滤技术。
Dec, 2019
该研究使用生成式对抗网络（GANs）的内部编码，通过直接分解预训练权重，提出了一种闭式因式分解算法，从而发现了语义上更丰富的维度，用于图像编辑和无监督学习。
本文以 user-generated content 为基础，提出了一种新的模型 MR3，将 collaborative filtering、social matrix factorization 和 topic matrix factorization 综合起来，加入了 implicit feedback 从而提高了其预测精度。
Mar, 2018