协同过滤（Collaborative Filtering）是一种基于用户行为数据的推荐算法，常用于个性化推荐场景。其核心思想是通过分析用户对物品的评分或交互记录，挖掘用户之间的偏好相似性，从而预测潜在兴趣。
基本概念
- 用户-物品评分矩阵：记录用户对物品的评分或交互频率，是协同过滤的基础数据结构。
- 相似度计算：常用余弦相似度（Cosine Similarity）或皮尔逊相关系数（Pearson Correlation）衡量用户或物品间的关联。
- 预测机制：通过加权平均或矩阵分解等方法，预测未评分物品的偏好值。
常见类型
基于邻域的方法
- 用户相似度：寻找与目标用户相似的其他用户，推荐其喜欢的物品
- 物品相似度：寻找与目标物品相似的其他物品，推荐用户喜欢的关联物品
矩阵分解（Matrix Factorization）
- 将用户-物品评分矩阵分解为低维隐向量，捕捉潜在特征
深度学习方法
- 使用神经网络模型（如Wide & Deep、Graph Neural Networks）提升推荐效果
应用场景
- 电商推荐：如商品购买/浏览行为分析
- 视频平台：如用户观看历史驱动的视频推荐
- 社交网络：如基于好友互动的动态内容推荐
优缺点
✅ 优点：
- 无需依赖物品属性，仅需用户行为数据
- 适应性强，可挖掘长尾物品价值
❌ 缺点：
- 面临冷启动问题（新用户/新物品无历史数据）
- 数据稀疏性可能导致预测偏差
扩展阅读
如需深入了解推荐系统的核心架构，可参考：
/zh/models/recommendation_system