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
提出了基于属性关联度的相似度度量方法，将属性耦合关系融入矩阵分解方法来解决推荐系统中的冷启动和稀疏性等问题，并在两个开放数据集上实验验证模型优越性。
Apr, 2014
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
本文提出了一种将通用邻域信息添加到推荐模型的矩阵分解扩展，并将用户和项目分成不同的类别，以查看这些类别共享的偏好。实验证明，将类别的通用潜在特征应用于分解的推荐模型可以提高推荐的准确性。
Jan, 2013
本文介绍了在推荐系统和半监督聚类中，如何应用非线性激活函数并使用梯度下降等优化技术，来解决非线性归纳矩阵完成问题，并展示了这种方法的性能优于传统的线性方法。
May, 2018
本文介绍了 TransCF 推荐算法，通过利用邻域信息，利用翻译机制构造用户 - 项目特定的翻译向量，并根据用户与项目的关系把用户向项目进行翻译， 用于解决潜在用户 - 项目关系建模的难题，实验表明该算法在现实世界数据集上具有优异的推荐性能，超过了现有方法。
Jun, 2019
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
本文提出了一种可解释性推荐模型 Multi-Matrix Factorization（MMF），该模型通过利用不同项中存在的共同属性来解决了传统矩阵因子分解模型的可解释性和冷启动问题，并通过加权聚合用户潜在向量和属性潜在向量的内积生成属性评分，提供了更细粒度的分析，综合评测结果表明，MMF 在准确性方面优于现有模型。
Aug, 2019
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