我正在开发一个协同过滤（CF）项目，即完成一个部分观察到的矩阵或更一般的张量。我是该领域的新手，对于这个项目，我最终必须将我们的方法与其他众所周知的方法进行比较，现在，提出的方法与它们进行比较，即 CF 中的最新技术。

我的搜索揭示了以下方法。事实上，我是通过查看其中一些论文及其参考文献，或者在他们进行比较时查看实验部分来发现它们的。我很高兴知道一种新的提议方法并与 SoTA 进行比较，以下哪个是一个不错的选择？如果不在其中，我会很高兴认识一位优秀的代表。

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. 协同过滤的多重乘法因子模型(ICML 2004)
4. 用于协作预测的快速最大边际矩阵分解(ICML 2005)
5. 概率矩阵分解(NIPS 2007)
6. 贝叶斯概率矩阵分解(ICML 2008)
7. 基于回归的潜在因素模型(KDD 2009)
8. 具有高斯过程的非线性矩阵分解(ICML 2009)
9. 动态泊松分解（ACM 推荐系统会议 2015）

基于张量分解：

1. 使用多维方法将上下文信息纳入推荐系统（ACM 信息系统事务 (TOIS) 2005）
2. 贝叶斯概率张量分解（SIAM 数据挖掘 2010）
3. 黎曼优化的低秩张量补全（BIT Numerical Mathematics 54.2 (2014)）