协同过滤 (Collaborative Filtering)

定义

协同过滤(Collaborative Filtering)是推荐系统的经典算法思想:不依赖物品内容本身,而是利用大量用户的历史行为(评分、点击、购买)中蕴含的相似性来预测目标用户对未接触物品的偏好。

两大流派

基于邻域的方法分为 User-based(找兴趣相似的用户,推荐他们喜欢的物品)与 Item-based(找与用户已喜欢物品相似的物品),后者由亚马逊在 2000 年代初工业化推广,可离线预计算、扩展性好。基于模型的方法以矩阵分解为代表:将用户-物品评分矩阵分解为用户与物品的低维隐向量内积,Netflix Prize 竞赛(2006-2009)使 SVD 类隐语义模型声名大噪。

优缺点

优点是无需领域知识、能发现内容分析难以捕捉的关联;缺点是存在冷启动问题(新用户/新物品缺乏行为数据)与数据稀疏性问题。

现状

深度学习推荐模型兴起后,协同过滤的隐向量思想仍以 Embedding 形式延续于各类现代架构中。