协同过滤与矩阵分解原理？冷启动怎么破？

题目

请说明协同过滤与矩阵分解的原理，以及它们各自如何处理（或无法处理）冷启动。

参考答案

协同过滤（CF）：

• 核心思想：相似的人会喜欢相似的东西。基于用户-物品交互矩阵（评分/点击）。
• User-based CF：找与目标用户相似的用户，推荐他们喜欢而目标用户未交互的物品。
• Item-based CF：找与目标用户已喜欢物品相似的物品推荐。
• 相似度用余弦/Jaccard/Pearson。

矩阵分解（MF）：

• 把稀疏的用户-物品矩阵 $R$ 分解为低秩矩阵：$R \approx UV^T$，$U$ 是用户隐向量、$V$ 是物品隐向量。
• 预测：$\hat{r}_{ui} = U_u \cdot V_i$。
• 训练：最小化已知评分的平方误差 + 正则。
• 经典算法：SVD、ALS（交替最小二乘）、SGD。
• 是 Netflix Prize（2006–2009）的核心突破。

MF vs CF：

• MF 学到隐向量，泛化更强，可预测未观察到的相似性。
• CF 直接基于共现统计，泛化弱、稀疏场景差。
• MF 向量维度小（如 32/64），存储与计算高效。

冷启动困境：

• 新用户：无交互历史 → 无 User-based 相似度，无 $U_u$ 向量。
• 新物品：无人交互 → 无 Item-based 相似度，无 $V_i$ 向量。
• 本质：CF/MF 只用交互信号，无内容/属性信息，纯靠交互必然冷启动失败。

缓解：

1. 内容补充：用物品特征（标题/图/类目）初始化物品向量；用用户属性（地域/年龄）初始化用户向量。
2. 混合模型：把内容特征与交互特征一起喂入（如因子分解机 FM、Wide&Deep）。
3. 流行度兜底：新用户先推热门，快速积累交互。
4. 迁移：从其他产品迁移用户画像。
5. Bandit 探索：主动给新物品曝光，收集反馈。

面试加分点：

• 指出 CF/MF 是推荐系统起点，现代深度模型（双塔、DIN）仍以”学用户/物品向量”为核心思想。
• MF 的隐向量与 embedding 是一脉相承——把 MF 视为”单层无激活的神经网络”即可理解其与现代深度推荐的关系。
• 冷启动的本质是”信息不足”，CF/MF 这类纯交互模型必然中招，所以现代系统都加内容/属性特征。

出处：CSDN《推荐系统之协同过滤和矩阵分解》、《推荐系统：协同过滤、矩阵分解、逻辑回归、FM、FFM、GBDT+LR》。