Wide & Deep是Google在2016年发表的一篇论文，自此以后，双塔模型成为了推荐系统研究中的常见模型结构。
SVD++
SVD++源自于Koren在2008年发表在KDD上Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model一文。
SVD++
$$
\hat r_{ui} = b_{ui} + q_i^T
\left(
p_u +
\left \vert N(u) \right \vert^{-\frac{1}{2}} \sum_{j \in N(u)} y_j
\right) \tag{7}
$$
其中，$p_u$从显式评分中学习，$\left \vert N(u) \right \vert^{-\frac{1}{2}} \sum_{j \in N(u)} y_j $从隐式反馈的角度来考虑，二者互相补充。
在SVD++中，用户被表示为$\left( p_u + \left \vert N(u) \right \vert^{-\frac{1}{2}}
\sum_{j \in N(u)} y_j \right)。$
论文阅读 Deep Item-based Collaborative Filtering for Top-N Recommendation
作者提出了基于深度神经网络的item-based CF（DeepICF），同时学习物品之间的二元关系和高层关系。
论文阅读 HOSLIM: Higher-Order Sparse LInear Method for Top-N Recommender Systems
HOSLIM在Sparse LInear Method（SLIM）的基础上，考虑了物品之间的高层关系（higher-order）。
论文阅读 FISM: Factored Item Similarity Models for Top-N Recommender Systems
针对Top-N推荐问题，作者提出了一种叫作FISM（Factored Item Similarity Models）的推荐算法，用两个低维隐因子矩阵的乘积来表示物品相似度矩阵。