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

Commonsense Transformers for Automatic Knowledge Graph Construction

https://www.aclweb.org/anthology/P19-1470

Вот, например: ERNIE: Enhanced Language Representation with Informative Entities. В этой работе освещают использование графов знаний поверх языковой модели BERT. Это позволяет получить лучшие результаты на таких задачах, как определение типа сущности (Entity Typing) и классификация взаимосвязей (Relation Classification).

https://arxiv.org/abs/1905.07129
https://paperswithcode.com/task/relation-classification

Examining Menstrual Tracking to Inform the Design of Personal Informatics Tools
Daniel A. Epstein, Nicole B. Lee, Jennifer H. Kang, Elena Agapie, Jessica Schroeder, Laura R. Pina, James Fogarty, Julie A. Kientz, Sean A. Munson

http://depstein.net/assets/pubs/depstein_chi17.pdf
http://medium.com/hci-design-at-uw/what-can-we-learn-from-period-tracking-23d98e544255
https://medium.com/@nkkl/five-things-to-think-about-when-designing-a-period-tracking-app-9a79ac7cf446

I study how personal tracking technology can acknowledge and account for the realities of everyday life. More people are tracking today than ever before, and as a result they bring more varied expertise and goals than many apps and devices are designed to accommodate. I examine how the design of tracking technology can be improved, often prototyping and evaluating new design ideas.

http://depstein.net/

Изучает Personal Informatics. Есть крутые статьи по CSCW