本文提出了一种在 Variational Autoencoders 框架下利用用户评论文本并加入用户自适应先验来提高协同过滤推荐质量的方法，实验证明该方法比已有的基于用户评分与文本的推荐模型有更高的排名指标。

Jul, 2018

提出一种面向冷启动用户的内容为基础的跨领域推荐方法，利用极端多类分类的形式来预测用户对物品的评分标签，构建了一个融合了领域适应的体系结构和去噪自编码器的神经网络，实现了不依赖用户和物品重叠特征，不同领域之间的推荐， 在 Yahoo! JAPAN 的电影和新闻服务数据集上表现出超过交叉领域协同过滤方法的性能。

Mar, 2018

本文提出了一种基于元学习和多源领域自适应的多元偏好增强框架（MetaDPA），以解决稀疏交互和冷启动问题，并通过将多领域信息最大化约束（MDI）添加到变分自编码器的潜在表示上来学习领域共享和特定的偏好属性，同时通过互斥约束（ME）生成内容数据的多样化评分。实验结果表明，MetaDPA 明显优于当前最优秀的基线。

Apr, 2022

通过深入研究用户偏好和情感偏好理论，我们提出了一种新的跨域方法，称为 CVPM，它将跨域兴趣转移形式化为参数化元学习和自监督学习的混合架构，不仅可以在更细的层面上转移用户偏好，还可以通过非重叠用户的知识进行信号增强，我们通过深度学习编码器来学习这些分布的差异，并利用预训练模型和物品流行度来采样伪交互物品以确保两个分布的完整性，最终通过多种任务和广泛的实验结果证明了我们提出的框架的有效性和先进性。

Jun, 2024

本文利用变分自编码器和电影嵌入向量，应用于电影推荐，通过 VAE 网络获取潜在表示，探索了合作式过滤的新方法。

Jul, 2018

提出了一种基于生成对抗网络（GANs）、变分自动编码器（VAEs）和 Cycle-Consistency（CC）相结合的 D2D-TM 模型，用于解决多领域推荐系统在提取同构和散发特征方面遇到的问题，并证明其在性能优化方面超过了现有技术。

Dec, 2018

文中介绍了一种基于神经层的跨领域推荐系统学习方法，使用共享组件来指导神经协同过滤器，通过学习稀疏交互数据中的用户和项目表示来实现推荐功能。

May, 2020

本文提出了一种基于自编码器的模型，即 SAE-NAD，用于学习非线性用户 - 地点关系，通过采用多维关注机制自适应地区分用户偏好程度，并通过 POI 嵌入与径向基函数内积相结合的方法实现在检查的 POI 的相似和附近邻居上使用户到达更高的可达性，并在三个真实世界数据集上进行了广泛的实验，证明了本模型的有效性。

Sep, 2018

本文中我们提出了一种基于循环神经网络的变分自编码器模型，用于建模用户偏好，并且通过处理时间信息以改善精度。我们的模型可以捕捉用户消费序列中的时间依赖关系，并保持变分自编码器的基本特征。

Nov, 2018

本文提出了一种新颖的多视角变分自编码器模型 dPoE，通过多视角学习、解耦表示学习和生成模型的思想，使用产品 - 专家层、总校正鉴别器和联合损失函数解决多视角数据中的异常检测问题，并且在控制视角通用和视角特定表示方面设计了理论信息界限，大量实验表明，所提出的 dPoE 模型优于基线模型。

Oct, 2023