Estado del arte en filtrado colaborativo

Estoy trabajando en un proyecto de filtrado colaborativo (CF), es decir, completar una matriz parcialmente observada o, en general, un tensor. Soy un novato en el campo, y para este proyecto eventualmente tengo que comparar nuestro método con otros conocidos que hoy en día, los métodos propuestos se comparan con ellos, es decir, el estado del arte en la FQ.

Mi búsqueda reveló los siguientes métodos. De hecho, me los encontré mirando algunos de estos documentos y sus referencias, o mirando la sección de experimentos cuando hacen comparaciones. Me encantaría saber para un nuevo método propuesto y hacer una comparación con SoTA, ¿cuál de los siguientes sería una buena elección para hacerlo? Si no está entre ellos, me encantaría conocer a un buen representante.

Basado en la factorización matricial:

1. Aproximación ponderada de rango bajo (ICML 2003)
2. Modelado de perfiles de calificación de usuario para filtrado colaborativo (NIPS 2003)
3. El modelo de factores multiplicativos múltiples para el filtrado colaborativo (ICML 2004)
4. Factorización rápida de la matriz de margen máximo para la predicción colaborativa (ICML 2005)
5. Factorización matricial probabilística (NIPS 2007)
6. Factorización matricial probabilística bayesiana (ICML 2008)
7. Modelos de factor latente basados ​​en regresión (KDD 2009)
8. Factorización matricial no lineal con procesos gaussianos (ICML 2009)
9. Factorización de poción dinámica (Conferencia ACM sobre sistemas de recomendación 2015)

Basado en la factorización de tensor:

1. Incorporación de información contextual en sistemas de recomendación utilizando un enfoque multidimensional (Transacciones ACM en sistemas de información (TOIS) 2005)
2. Factorización Bayesiana del Tensor Probabilístico (SIAM Data Mining 2010)
3. Finalización de tensor de bajo rango mediante optimización riemanniana (BIT Numerical Mathematics 54.2 (2014))

También puede consultar el documento del Sistema de recomendación de gravedad (GRS), que también trata sobre la factorización matricial. Los autores compitieron usando este algoritmo en el conocido Premio Netflix.