协作过滤的最新技术

我正在研究一个用于协同过滤（CF）的项目，即完成部分观察到的矩阵或更一般的张量。我是该领域的新手，最终，对于这个项目，我不得不将我们的方法与当今其他著名的方法进行比较，将提议的方法与它们进行比较，即CF中的最新技术。

我的搜索显示了以下方法。确实，我是通过查看其中的一些论文及其参考文献，或者在进行比较时查看实验部分来发现它们的。我很高兴知道新提出的方法并与SoTA进行比较，那么以下哪个是一个不错的选择？如果没有他们，我很高兴认识一个好的代表。

基于矩阵分解：

1. 加权低秩近似（ICML 2003）
2. 为协作过滤建模用户评级配置文件（NIPS 2003）
3. 协同过滤的多重乘数模型（ICML 2004）
4. 用于协作预测的快速最大保证金矩阵分解（ICML 2005）
5. 概率矩阵分解（NIPS 2007）
6. 贝叶斯概率矩阵分解（ICML 2008）
7. 基于回归的潜在因子模型（KDD 2009）
8. 具有高斯过程的非线性矩阵分解（ICML 2009）
9. 动态Poission分解（ACM会议推荐系统大会2015）

基于张量分解

1. 使用多维方法将上下文信息整合到推荐系统中（ACM信息系统交易（TOIS）2005）
2. 贝叶斯概率张量因式分解（SIAM Data Mining 2010）
3. 通过黎曼优化实现低秩张量完成（BIT数值数学54.2（2014））

您也可以查看重力推荐系统（GRS）论文，该论文也涉及矩阵分解。作者使用这种算法参加了著名的Netflix竞赛。