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

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

本文提出了一种基于文本信息和评分数据来提高推荐系统效能的方法，采用 Aspect-aware Topic Model 将用户的偏好和项目的特征从不同角度进行建模，然后将得出的方面重要性整合到一种学习用户和项目潜在因素的新型 Aspect-aware Latent Factor Model 中，最终获得更好的推荐解释性，并且展现了良好的实验结果。

Feb, 2018

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

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

本文提出了一种称为多方面因子模型的新方法来改善社交网络中的推荐准确性，该方法将用户之间的社交关系、标签、档案等特征整合在一起，并采用隐性反馈，同时还利用用户行为模型来进行联合预测，并在 KDD-Cup 竞赛中获得了第二名的好成绩。

May, 2021

本文介绍了 DSCF，一种新型的深度社交协同过滤框架，通过利用社交关系的各个方面来解决推荐系统中存在的多种挑战，包括利用用户 - 项目交互和社交网络信息进行深度学习，使用邻居的信息并考虑特定推荐情况，以及了解邻居对项目的不同意见对用户的影响等，实验证明该框架的有效性。

Jul, 2019

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