本文介绍了一种名为 NAIS 的神经网络模型，该模型通过引入注意力网络来学习物品之间的相似度，从而对基于物品的协同过滤进行了改进和优化。与现有的基于物品的 CF 方法相比，NAIS 在表达能力上更强，且只需要额外引入少量参数。实验证明，NAIS 在两个公共基准测试集上达到了显著的提升，为基于神经网络的推荐系统的未来发展开辟了新的研究方向。

Sep, 2018

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

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

本研究提出了一种基于属性图的新型神经网络框架，通过学习不同形态属性之间的分布，可以为冷启动用户 / 物品生成偏好嵌入，同时提出了 gated-GNN 对不同属性进行有效聚合，实验结果表明，在冷启动推荐中取得了显着的改进，并且在温热启动情况下表现优异。

Dec, 2019

本文提出了一种基于神经网络和异质信息网络的多方面协作过滤模型，用于解决推荐系统中的信息过载问题，通过对用户和物品进行各个方面的相似度矩阵建模和深度神经网络训练，融合各个方面的潜在因素提高推荐性能。

Sep, 2019

本文旨在探讨如何通过数据融合来提高评分预测的准确性，通过扩展 Social MF 模型以及提出新的 MR3 框架，即通过整合邻居关系、评分和隐藏主题等三种信息来创造新的推荐系统，提高了推荐系统的准确性。本文通过两个真实世界数据集的评测衡量了每种数据来源对所提出框架的贡献。

Jan, 2016

该论文介绍了一种新型轻量级自注意网络 LSAN，通过组成嵌入将原始嵌入矩阵进行压缩并提出了时态上下文感知的嵌入组合方案以解决目前序列推荐中所存在的大量参数嵌入矩阵对资源受限环境的开销过大的问题，并拥有更强的性能表现。

Aug, 2021

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

本文介绍了一种混合矩阵分解模型，通过将用户和项目表示为其内容特征的潜在因素的线性组合，能在各种情况下优于协同过滤、基于内容的模型，特别是在使用用户和项目元数据进行稀缺交互数据的情况下表现优异，并在交互数据丰富的情况下至少与纯协议矩阵分解模型表现一样好，产生的特征嵌入编码了语义信息，类似于词嵌入方法，使它们对一系列相关任务如标签推荐非常有用。

Jul, 2015