[算法]协同过滤系统

协同过滤系统（Collaborative Filtering, CF）是一种推荐系统方法，它不依赖物品的内容特征，而是利用用户和物品之间的交互数据（如评分、点击、购买记录）来发现相似性并进行推荐。

1. 核心思想

“志同道合的人喜欢相似的东西。”

• 如果用户 A 和用户 B 的兴趣很相似，那么 A 喜欢的物品，B 也可能喜欢。
• 如果物品 X 和物品 Y 被很多相同用户喜欢，那么喜欢 X 的人也可能喜欢 Y。

2. 两大类型

(1) 基于用户的协同过滤（User-Based CF）

• 找到与目标用户兴趣相似的其他用户（邻居），推荐他们喜欢的物品。

• 例子：

  • 你喜欢电影 A、B，有另一个用户也喜欢 A、B，而且他还喜欢 C → 推荐 C 给你。

(2) 基于物品的协同过滤（Item-Based CF）

• 找到与目标物品相似的其他物品，推荐这些物品给用户。

• 例子：

  • 很多人看了电影 A 后还看了电影 B → 如果你看了 A，就推荐 B。

3. 优点

• 不需要物品内容信息（可以处理多媒体、文本等无法直接比较的内容）。
• 只依赖用户行为数据，容易实现。
• 可以发现意料之外的推荐（serendipity）。

4. 缺点

• 冷启动问题：新用户/新物品没有足够的交互数据时很难推荐。
• 稀疏性问题：用户-物品矩阵很稀疏时，找到相似用户/物品的难度大。
• 无法直接利用上下文信息（时间、地点等）。

5. 在工业界的变体

• 矩阵分解（Matrix Factorization）：如 SVD、ALS，把用户和物品映射到同一个向量空间。
• 深度学习 CF：用 MLP、Embedding 代替传统相似度计算（比如 YouTube 双塔模型就是一种协同过滤思想的深度实现）。

📌 一句话总结

协同过滤就是用“人和人之间的兴趣相似度”或“物品和物品之间的相似度”来做推荐，它是现代深度推荐系统的理论基础之一。