研究使用贝叶斯泊松矩阵因式分解模型对大量的稀疏用户行为数据进行推荐，并应用于电影评分、歌曲收听和科学论文阅读等领域，结果表明其优于传统矩阵因式分解方法。

Nov, 2013

本研究探讨集体矩阵分解模型在推荐系统中的应用，提出了一种新的公式，可以更快地预测没有反馈或互动数据但有辅助信息的用户和商品，虽然冷启动推荐不如热启动的推荐准确，但比非个性化推荐效果更好，而且对于新用户的预测比新商品更可靠。此处提出的公式在许多场景下改进了冷启动推荐，但热启动推荐效果有所下降。

Sep, 2018

本论文提出基于 Poisson 分解模型的动态矩阵分解模型 dPF，使用卡尔曼滤波器来建立时间演化的潜在因素，用泊松分布来解释行为，进而提出了可扩展的变分推理算法并在 arXiv.org 上验证，相比静态和其他动态推荐模型，提高了推荐性能。

Sep, 2015

本文提出了一种称为 Recurrent Poisson Factorization (RPF) 的框架，该框架可以将经典 PF 方法进行推广，通过利用泊松过程来建模隐式反馈，从而处理动态用户偏好和商品规格、社交产品采纳方面的问题以及用户和商品之间的消费异质性，并且，我们还开发了一种变分算法来进行近似后验推断，以及在合成数据集、音乐串流日志和电子商务平台上演示了 RPF 方法的优越性。

Mar, 2017

该研究提出了一种基于矩阵分解的推荐系统，称为 ParaMat，通过对原始数据的几何形状进行分析，设计了一种新的算法并在实验测试中与其他 8 个算法进行比较，证明其是最公平的算法。

Jan, 2023

本研究提出一种模型，在用户冷启动情况下，通过提问找到一些初始化评分，并用这些信息建立有效的代表，以解决协同过滤问题。这种方法在四个不同数据集上得到验证，并改善了基准性能。

Dec, 2014

本文介绍了一种新的非负矩阵分解方法 OrdNMF，可以在推荐系统中处理分类数据，而不需要进行二值化处理，并且在数据表示和算法效率方面都具有优势。

Jun, 2020

本篇论文旨在通过 recently proposed compound Poisson Factorization（cPF）方法，建立基于原始计数数据的推荐系统。研究结果表明，应用 dcPF 模型可以有效地调整过度离散数据，并提高推荐得分。

May, 2019

提出了一种新的推荐技术，称为 “度量分解”，通过使用欧几里得距离测量用户和项目之间的显式接近度来克服矩阵分解中采用的点积无法满足不等式的问题。实验证明，我们的方法在评分预测和项目排名任务上均优于现有的最先进方法。

Feb, 2018

本文提出了一种基于复合泊松矩阵分解的共轭数值稳定动态矩阵分解（DCPF）方法，用于建模平滑漂移的潜在因素和预测未来的用户 - 项交互，通过 Netflix、Yelp 和 Last.fm 等数据集的测试，DCPF 模型的预测准确性优于目前流行的静态和动态因子分解模型。

Aug, 2016