基于深度学习的深度潜在因素模型在协同过滤推荐系统中表现出色，实验证明该技术明显优于所有现有的协同过滤技术。

Dec, 2019

本文介绍了一种基于分类术语的潜在因子模型 (TF)，并将其用于推荐系统，以提高推荐精度和处理数据稀疏性和冷启动问题，该模型将分类术语与潜在因素相结合，并使用加法模型。同时，该模型还利用高阶马尔科夫链考虑到用户兴趣的时间动态和能够处理大规模数据。使用真实世界的购物数据集进行实验证明该模型比现有方法具有更好的推荐性能和运行时间。

Jun, 2012

本文介绍了两种基于 Latent Dirichlet Allocation (LDA) 和 word2vec 模型的 Feature-based 模型，一个基于主题模型的 FM 模型，一个基于向量模型的 FM 模型，通过对比实验验证，向量模型的 FM 模型效果更好，因为它包含观看历史的顺序信息。

Oct, 2014

本文使用回归树辅助学习潜在因子模型，针对用户和物品分别构建回归树，并将每个节点上的潜在因子作为用户和物品的表示。通过跟踪每个因子在回归树上的路径，提供生成推荐结果的解释。实验证明该模型的实用性与竞争基准算法相比优越性。

Jun, 2019

本文以 user-generated content 为基础，提出了一种新的模型 MR3，将 collaborative filtering、social matrix factorization 和 topic matrix factorization 综合起来，加入了 implicit feedback 从而提高了其预测精度。

Mar, 2018

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

本文为了弥补目前推荐系统领域中对于基于张量方法的研究欠缺的问题，全面回顾和讨论了基于张量的推荐模型的应用以及未来的发展方向。

Mar, 2016

通过使用多模态、面向方面的主题模型（MATM）和面向方面的潜因子模型（ALFM）来结合文本评论和物品图像与评分，解决了潜因子模型在推荐系统中存在的冷启动、非透明性和子优解等问题，并且在 Yelp 2017 挑战数据集和亚马逊产品数据集上实验表明了该方法的有效性。

Nov, 2018

本研究提出了一种基于样本物品的输出协议游戏，以代表潜在因素，并激励玩家创建语义描述，实现自动化语义描述，通过用户研究表明，收集到的输出实际反映了因子的真实特征。

Aug, 2018

本文综述了基于深度学习的推荐系统的最新研究进展，提出和总结了深度学习推荐模型的分类法和现有技术的综述，同时扩展了当前趋势并提供了对这一新兴领域的新见解。

Jul, 2017