参考答案
内容深度:适中 · 无代码示例 · 来源:外部链接 · 未复核 · 40 天前更新 · 技术内容可能随版本变化,建议结合官方文档理解
要点:
- 推荐系统的目标是在信息过载场景下,基于用户历史行为、画像与上下文,预测用户可能感兴趣的内容并排序呈现;主流范式分协同过滤、基于内容、混合、深度学习四类。
- User-Based CF:计算用户相似度(余弦 / Jaccard / 皮尔逊),用相似用户的行为给目标用户做评分预测;Item-Based CF:计算物品相似度,给用户推荐与其历史喜欢物品相似的物品。Item-Based 在线计算更轻、更稳定,工业界更常用。
- 优点:无需物品内容特征、可发现长尾兴趣;缺点:依赖共现矩阵,存在数据稀疏(用户-物品矩阵极稀疏导致相似度不可靠)与冷启动(新用户无行为、新物品无交互)问题。
- 冷启动应对(追问铺垫):热门榜单兜底、利用注册画像 / 设备 / 地域等 side information、内容相似召回、主动试探(EE 探索)。