本文提出了一种将自编码器范式与矩阵分解相结合的新型混合模型，通过建模内容信息的有效性和紧凑性的表示，并利用隐式用户反馈进行精准推荐，从而优化项目推荐，实验结果表明该方法优于比较方法。

Apr, 2017

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

本研究提出一种基于 VAE 的非线性概率模型，用于解决协作过滤问题，相对于现有的线性因子模型，具有更强的建模能力，并使用贝叶斯推断进行参数估计来得到更好的泛化性能。本方法在现有多个数据集上均取得了显著优异的性能表现，并对使用多项式分布作为似然函数进行了比较实验，分析了使用贝叶斯方法的优缺点及适用场景。

Feb, 2018

本文提出了一种基于深度自编码器的新模型，通过对 Netflix 数据集进行评分预测任务，相对于之前的模型具有明显优势。该模型不需要层预训练，采用 6 层自编码器进行端到端的训练，通过实验证明：深度自编码器模型的泛化能力比浅层模型更好，负部分的非线性激活函数对于训练深度模型至关重要，必须大量采用正则化技术，如 dropout，以防止过拟合。此外，我们提出了一种基于迭代输出反馈的训练算法，以克服协作过滤的自然稀疏性，该算法显著加速了训练并改善了模型性能。

Aug, 2017

本研究提出一种基于简单元素的线性模型，针对推荐系统的稀疏数据和隐式反馈数据，并展示其训练目标具有闭式解，该简单模型在所有公开数据集上都取得了比深度非线性模型更好的排名准确性。

May, 2019

本文提出了一种基于 actor-critic reinforcement learning 的协同过滤训练方法，使用 critic network 逼近排名度量指标，并通过 update actor network 来直接优化学习出的指标，当前方法好于现有的基于深度学习的方法，并被证明在大规模实际数据集上效果显著。

Jun, 2019

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

使用深度自动编码器（DAE）通过将通道矩阵的奇异值分解嵌入编码器和解码器来进一步提高 MIMO DAE 的性能，SVD 嵌入 DAE 在 BER 方面大大优于理论线性预编码，并且可以作为自适应调制结构与有限字母输入匹配来优化整个通信系统的性能

Nov, 2021

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

我们提出了一种新的混合算法，可以在标准的协同过滤技术中加入用户和物品方面的信息。该算法利用奇异值分解的广义公式，增加了解的灵活性，并允许在其潜在空间上施加预期的结构。我们在各种数据集上评估了该方法，并展示了其在类似的混合模型中的优越性。

Feb, 2018