本文提出了一种新的神经架构 LRML (潜在关系度量学习) 用于协同排名与隐式反馈推荐，并在多个推荐基准中实现了最先进的性能。该模型通过学习潜在关系描述每个用户项目交互，通过增强记忆模块和学习余下的记忆块来构建潜在关系。

Jul, 2017

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

通过引入语义信息，我们提出了一种联合语义增强关系度量学习 (SERML) 框架，该框架从目标评论中提取语义信号，并通过该信号改进了原始基于关系的训练过程的区分能力，实验证明 SERML 在推荐系统中表现与几种先进方法相当。

Jun, 2024

提出了一个多关系记忆网络（MRMN）模型，用于建模用户与物品的多类型交互以及潜在关联性学习，可以更精确地捕获用户的偏好，从而优于当前大多数推荐系统。

Jun, 2019

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

该研究提出了一种新的模型 CML，即对比元学习，用于处理具有不同类型行为的多行为数据中用户和物品之间的关系，通过对比损失获取可传输知识，以解决传统推荐模型中存在的个性化多行为模式和匮乏监督者信号的问题。该方法在三个真实世界数据集上表现出了卓越的性能，并释放出模型实现。

Feb, 2022

该研究提出一种名为 “关系型协同过滤” 的推荐系统通用框架，通过利用多个项目间的关系 (meta-data, functionality 等) 并发展出一种两层次的层级注意机制来对用户偏好进行建模。对推荐任务进行联合训练，以保持项目之间的关系结构，该模型表现出了强大的性能表现。

Apr, 2019

本研究提出了一种层次贝叶斯模型，名为 CDL，其通过深度表示学习和协作过滤来处理稀疏的推荐数据，并在三个真实世界数据集上验证了其有效性。

Sep, 2014

调查了不同类型的推荐框架的发展，重点关注于异构关系学习，分类研究了社交推荐、知识图增强推荐系统以及多行为推荐的学习方法，探讨如何有效地提取异构上下文信息。最后对异构关系学习提出了新的方向和机会。

Oct, 2021

该论文提出了一种名为 CARL 的新型上下文感知用户 - 物品表示学习模型，可用于评级预测，其采用因子分解机进一步建模用户 - 物品对的更高阶特征交互，并通过卷积和注意力机制提取相应的评论特征和交互特征。五个真实数据集上的实验证明，CARL 比现有的最先进的替代方案实现了显着更好的评分预测准确性，并使用注意力机制突出显示评论中的相关信息以解释评级预测。

Dec, 2017