神经协同过滤 (NCF) 是一种广泛用于推荐任务的架构。它用神经网络代替传统的矩阵分解来建模用户-物品交互。 NCF 不依赖于用户和物品嵌入的线性组合，而是使用多层感知器 (MLP) 来捕获非线性关系。例如，在电影推荐系统中，NCF 可以从用户观看历史记录和项目特征（例如流派偏好或观看频率）中学习复杂的模式。 2017 年的一篇论文推广了这种方法，证明了其在 MovieLens 等数据集上的有效性，在这些数据集上，它优于传统方法，尤其是在隐式反馈（例如，点击或观看）方面。当交互数据稀疏或嘈杂时，NCF 特别有用，因为神经网络可以比线性模型更好地泛化。
由 Google 提出的 Wide & Deep Learning 结合了两个组件：用于记忆的“wide”线性模型（例如，捕获已知的用户-物品交互）和用于泛化的“deep”神经网络（例如，发现新模式）。 wide 组件处理显式特征交互，例如用户在搜索应用程序名称后下载该应用程序，而 deep 组件处理分类特征（如用户人口统计）的密集嵌入。这种架构为 Google Play 的应用程序推荐提供支持，从而在熟悉性和偶然性之间取得平衡。 DeepFM 等变体将分解机集成到 wide 部分中，以自动进行特征交互学习，从而减少手动工程。 这些模型擅长处理混合数据类型，例如将用户行为日志与上下文元数据结合起来的场景。
图神经网络 (GNN) 在涉及关系数据的推荐中越来越受欢迎。 GNN 在图结构（例如，用户-物品交互图或社交网络）中传播信息以生成嵌入。例如，Pinterest 的 PinSage 使用 GNN 通过聚合图中的图钉和面板的图钉的视觉和文本邻居的特征来推荐内容。在电子商务中，GNN 将用户-物品交互建模为二分图，从而捕获间接关系（例如，“购买 X 的用户也喜欢 Y”）。 这种方法对于冷启动场景有效，在这种场景中，新物品或用户受益于基于图的邻域信号。 PyTorch Geometric 等框架简化了 GNN 的实现，使其可以用于社交推荐或知识图增强系统等任务。