1) https://habr.com/ru/post/417167/
2) https://webdevblog.ru/tematicheskoe-modelirovanie-s-pomoshhju-gensim-python/
3) https://stackoverflow.com/questions/32215827/simple-python-implementation-of-collaborative-topic-modeling

Есть известный (но слегка устаревший) обзор от Robin Burke, где в основном рассматриваются методы на основе пред- или пост-обработки коллаборативных моделей и многое объясняется именно на пальцах, формул почти нет:
http://josquin.cs.depaul.edu/~rburke/pubs/burke-umuai02.pdf
Более продвинутыми являются объединенные модели, где процесс обучения не бьется на фазы и вся информация учитывается сразу при обучении. В прикрепленных постах к этому каналу есть описание нескольких таких подходов, основанных на матричной факторизации. В дополнение к тем моделям можно добавить еще несколько (тоже на основе матричной факторизации):
Feature transformation, где латентные факторы подвергаются всевозможным линейным преобразованиям, основанным на признаковом описании.
Recommending New Movies: Even a Few Ratings Are More Valuable Than Metadata
http://moscow.sci-hub.bz/85febb4cfda627ca8aa98805f9cacda0/pilszy2009.pdf
Latent factor representations for cold-start video recommendation
http://twin.sci-hub.bz/bbd822117f87d17a0f40de3fda12740c/roy2016.pdf
Cold-start item and user recommendation with decoupled completion and transduction (чем-то напоминает coupled factorization)
http://www.egr.msu.edu/waves/people/iman_files/recsys2015_coldstart.pdf
https://www.cse.msu.edu/~forsati/cold-recsys2015.pdf
Feature aggregation (в дополнение к SLIM модели в прошлом посте):
FHSM: Factored Hybrid Similarity Methods for Top-N Recommender Systems
http://link.springer.com/chapter/10.1007/978-3-319-45817-5_8
Feature augmentation, где каждый признак становится "фиктивным объектом" , например, новым айтемом и добавляется в основную матрицу рейтингов для обучения
Predicting User Preference Based on Matrix Factorization by Exploiting Music Attributes
http://twin.sci-hub.bz/1b97bbe14b4e9b959d9944b591fffe83/nabizadeh2016.pdf
Probabilistic approaches
A Unified Approach to Building Hybrid Recommender Systems
http://moscow.sci-hub.bz/b322d362e8bdb6b73b202b83e2fb1376/gunawardana2009.pdf
Bayesian Matrix Factorization with Side Information and Dirichlet Process Mixtures
https://www.ics.uci.edu/~welling/publications/papers/bpmfpp.pdf
Feature-related regularization, где добавляются всевозможные регуляризационные слагаемые, тоже на основе признаковых описаний (сюда же можно отнести и пример из презентации яндекса, о котором вы с @hushpar говорили)
Content-boosted Matrix Factorization Techniques for Recommender Systems
https://arxiv.org/pdf/1210.5631.pdf
Leveraging High-Dimensional Side Information for Top-N Recommendation
https://arxiv.org/pdf/1702.01516.pdf

Lessons Learned from Building Real­-Life Recommender Systems
by Xavier Amatriain (Quora, USA) and Deepak Agarwal (LinkedIn, USA)

https://www.youtube.com/watch?v=VJOtr47V0eo

http://www.slideshare.net/dipu1025/recsys2016-tutorial-by-xavier-and-deepak
https://www.slideshare.net/xamat/recsys-2016-tutorial-lessons-learned-from-building-reallife-recommender-systems

Эвристика 90-9-1, кривая Лоренца и коэффициент Джинни в качестве единой метрики для сообществ.

https://community.khoros.com/t5/Building-Community-the-Platform/The-90-9-1-Rule-in-Reality/ba-p/5463
https://community.khoros.com/t5/Building-Community-the-Platform/The-Economics-of-90-9-1-The-Lorenz-Curve/ba-p/5465
https://community.khoros.com/t5/Science-of-Social-Blog/The-Economics-of-90-9-1-The-Gini-Coefficient-with-Cross/ba-p/5466