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。
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。
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。
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。
题目与答案就在本页;收藏、批注和错题重练在应用内