IT 面试题库

推荐系统里的协同过滤(User/Item-based CF)与矩阵分解(MF)有什么区别?Wide & Deep 模型又解决了什么问题?

中级简答题推荐算法工程师机器学习工程师推荐系统协同过滤矩阵分解

题目

协同过滤是推荐系统的入门基石,矩阵分解与 Wide&Deep 代表了从记忆到泛化的演进,是算法岗高频题。

参考答案

内容深度:适中 · 无代码示例 · 来源:外部链接 · 未复核 · 77 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

协同过滤(CF)

基于「行为相似的人喜好相似」:

属于基于内存(memory-based)的方法,可解释但难处理稀疏与冷启动。

矩阵分解(MF)

把「用户×物品」的评分矩阵分解为用户隐向量与物品隐向量两个低维矩阵,内积即预测分。它能捕捉隐因子(如题材、风格),对稀疏数据更鲁棒,是 CF 的进阶。

Wide & Deep

两者联合训练,兼顾「记得住」与「推得开」,显著提升推荐准确率与新颖性。

练这道题

同分类 · 高频题

题目与答案就在本页;收藏、批注和错题重练在应用内

这道题看完了?连刷同类题,趁热打铁效果最好 进入刷题