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

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

本文提出一种改进的基于联邦学习的神经协同过滤推荐系统，名为 FedNCF，通过隐私保护聚合提高用户数据的安全性和数据保护合规性，并且在与原始 NCF 系统相比不降低推荐质量的情况下，实现更快的模型收敛速度。

Jun, 2021

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

本文探讨了一种替代方法，不再假设用户未交互的物品一定是消极的，而是假设比用户交互过的物品更不受偏爱，并结合最近提出的神经协同过滤框架和新的分类策略提出了一种基于神经网络的协同排名框架。实验结果表明，相比于几种最先进的方法，我们的方法具有更优异的性能。

Aug, 2018

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

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

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

本研究针对协同过滤提出新的多层神经网络架构 ONCF，采用外积表达嵌入空间维度之间的相关性，提出在卷积神经网络上应用外积来学习高阶相关性的方法，并在公共数据集上进行了大量实验以验证其有效性。

Aug, 2018

基于深度学习的推荐系统在医学领域的应用有限，本研究利用两种深度学习推荐系统方法（神经协同过滤和深度混合过滤）对已知患者共病进行疾病诊断，结果表明，模型在所有 ICD-9 编码上的性能较好（准确率约为 90%，命中率 @10 约为 80%），而相对较稀疏的数据集的性能较差。深度学习推荐系统通过模型化稀疏数据，展现了预测疾病共病的潜力。

Aug, 2023