推荐系统与协同过滤
推荐系统根据用户偏好预测其可能感兴趣的内容，核心范式包括：
三类方法
| 方法 | 原理 | 优点 | 缺点 |
|---|---|---|---|
| 协同过滤 | 利用用户/物品的集体行为 | 无需内容特征，可发现意外兴趣 | 冷启动、稀疏矩阵 |
| 基于内容 | 利用物品属性相似度 | 无冷启动（新物品） | 需要完整特征工程 |
| 混合方法 | 组合以上两者 | 取长补短 | 系统复杂度高 |
协同过滤核心
用户-物品评分矩阵 ，核心思路是"相似用户喜欢相似物品"：
- 基于用户：找 个最近邻居用户，聚合其评分预测
- 基于物品：找 个最相似物品，聚合评分预测
- 矩阵分解（MF）： ，学习用户和物品的隐向量，是最主流方案
评估
RMSE（回归）、Precision@K / Recall@K / NDCG（排序），以及覆盖率、多样性等非精度指标。