本文提出了一种名为 BUIR 的新型 OCCF 框架，在没有负采样的情况下有效缓解了数据稀疏性问题，并利用随机数据增强来进一步提高模型性能。实验结果表明，BUIR 相比于已有的基线方法显著提高了推荐性能。

May, 2021

提出了一种新的自我监督推荐框架 HCCF，它利用超图增强交叉视角对比学习体系结构共同捕捉本地和全局协作关系，结合超图结构编码和自我监督学习来增强推荐系统的表示质量，并通过三个基准数据集的广泛实验证明了其优越性和稀疏用户交互数据的鲁棒性。

Apr, 2022

本篇研究提出了一种基于图神经网络和图对比学习的协作过滤框架，通过自我监督学习进行自适应增强，实现目的的解耦和噪声抑制，将学习到的解耦表示与全局上下文结合，相比于现有的解决方案，具有更好的性能表现。

May, 2023

通过优化目标空间内的规范来改进异常检测，研究发现可以使用适当规范的任何空间作为等效替代，无需依赖于训练样本分布假设，提出了一种简单且与数据无关的深度单类分类方法。

Aug, 2023

本文提出了一种使用 AutoML 技术设计特定于数据的 CF 模型的新框架，其中关键是将 SOTA CF 方法统一为输入编码、嵌入函数、交互函数和预测函数的不相交阶段，以及使用随机搜索和性能预测器的易于使用、强大且高效的搜索策略。在五个真实数据集上的广泛实验表明，我们的方法可以在各种 CF 任务上始终优于 SOTA 方法，搜索到的 CF 模型还可以为探索更有效的方法提供启示。

Jun, 2021

本论文介绍了一个解决群集联合学习问题的新方法，该方法基于共识优化 (CBO) 中的思想，使用相互作用的粒子系统进行全局优化，经过数学推导得到了该模型的收敛性证明，并通过实验结果证实了 FedCBO 算法的有效性。

May, 2023

该研究论文提出一种基于经验预测误差和方差的新标准，用于更好地捕捉协同过滤设置中跨领域的一致性，从而在提高评分预测精度方面显著改进了几项最先进的方法。

Oct, 2012

通过提出 CF-Diff 方法，结合扩展的协作标志、多跳邻居以及交叉注意力引导的多跳自动编码器（CAM-AE），克服了现有扩散模型推荐系统在准确推荐方面无法明确利用包含关键协作信号的高阶连接问题。实验证明，CF-Diff 在三个真实世界数据集上优于基准推荐方法，相对最佳竞争对手的表现可达到 7.29％的显著增益，并确保了计算效率与用户或物品数量呈线性比例。

Apr, 2024

研究了协同过滤方法中用户和商品之间的图模型，提出了一种新的多组件图卷积协同过滤算法 (MCCF)，旨在区分观察到的显式用户 - 商品交互背后的购买动机。该算法通过分解和组合两个模块，设计了一种新的方式以获得对用户消费行为的高精度预测，实验结果表明，该算法不仅在三个真实数据集上表现优异，而且还证明了考虑多个组件的必要性。

Nov, 2019

本文讨论的是在线和交互式协作过滤中的查询问题，并提出了使用离线原型设计和计算期望信息价值的界来减小在线计算的开销，重点研究了多因素向量量化模型的案例。

Oct, 2012