提出一个基于差分隐私和矩阵分解的隐私保护推荐系统，通过高斯机制和输出扰动的方式实现差分隐私，采用 Rényi Differential Privacy 来紧密刻画隐私损失，能够在保证用户隐私的前提下有效地完成推荐任务。

Apr, 2023

提出一种新的算法，通过训练不同客户端的深度矩阵因式分解模型并仅共享物品向量来预测用户属性，从而解决用户属性预测中的一些重要隐私问题。

Dec, 2023

提出了一种简单的算法来实现可证明偏差私有性以及良好性能的差异性私人协作过滤。通过差分隐私和贝叶斯后验采样的新型连接方式，该算法可有效实现。同时，通过精细的系统设计和利用数据的幂律行为最大化 CPU 缓存带宽，我们可以在单个 PC 上以 8.5 百万每秒的速率生成 1024 维模型实现推荐。

May, 2015

提出一种去中心化的矩阵分解方法作为点 of interest 推荐的解决方案，该方法采用基于随机游走的分布式学习技术，可以显著地提高推荐的准确率和召回率。

Mar, 2020

研究一类私有学习问题，其中数据是私有特征和公共特征的联接。针对多编码器模型中的公共特征，开发了新的算法以仅保护某些足够统计量，从而实现了线性回归的保证效用改进，并在两个标准的私有推荐基准上达到了最先进的水平，证明了适应私有 - 公共特征分离的方法的重要性。

Oct, 2023

本研究的重点是在数据隐私保护方面，在联邦学习框架下的推荐系统中，提出了一种新的基于同态加密的隐私保护框架，并对这个框架进行了细致地分析和测试。

Sep, 2022

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

本文提出了一种可解释性推荐模型 Multi-Matrix Factorization（MMF），该模型通过利用不同项中存在的共同属性来解决了传统矩阵因子分解模型的可解释性和冷启动问题，并通过加权聚合用户潜在向量和属性潜在向量的内积生成属性评分，提供了更细粒度的分析，综合评测结果表明，MMF 在准确性方面优于现有模型。

Aug, 2019

提出了基于属性关联度的相似度度量方法，将属性耦合关系融入矩阵分解方法来解决推荐系统中的冷启动和稀疏性等问题，并在两个开放数据集上实验验证模型优越性。

Apr, 2014

本论文中介绍了一种针对移动环境下的评分预测的新型联邦学习框架 —— 元矩阵分解（MetaMF）。MetaMF 拥有很强的可扩展性和适应性，可以更好地利用用户 / 设备之间的协同过滤信息进行更准确的评分预测。在四个基准数据集的实验中，MetaMF 的性能表现出色，比现有的联邦方法表现更优秀。

Oct, 2019