如果您在使用我也强烈推荐的基线模型，那么您提到的矩阵分解 (MF) 方法（也称为协作模型）是最基本的方法，并且超级快速且易于实现。然后你可以探索其他的，比如基于内容的模型或混合推荐器，甚至是最近基于 Media 提到的自注意力机制的模型。这样做会给你在 A/B 测试期间比较的东西，如果没有任何东西已经到位的话。请注意，如果您的矩阵变得非常大（好吧，如果您的资源有限！），传统的 MF 可能会遇到内存/性能问题，并且对于该深度矩阵分解是一个更好的等效选择。

大约一年前，我对这三个起始推荐引擎进行了总结，请参阅这个答案。我从那里的参考资料中收集了代码剪辑器/笔记本，用于实际实现这几个基线，如果需要的话可以共享。

您的案例有不同的方法，但我相信您可以采用基于自我注意机制的方法。有许多研究表明，它们比 SVD 可以实现的潜在结果更好。例如，您可以看到SAIN的论文，其代码也是开源的。在论文中，您可以看到他们已经证明他们的方法比 SVD 和通常的自我注意机制具有更好的性能。顺便说一句，它基于自我关注。

如果我想总结该方法，它使用产品和项目的内容并找到单词之间的交互，并输出用户可能分配给产品的分数。它有很好的性能。

由于您拥有邮件的内容，这种方法可能会对您有所帮助。