协同过滤算法
哪些公司问过
答案要点
- 基本假设:相似的用户喜欢相似的物品;不需要物品内容特征
- UserCF:找相似用户,推荐他们喜欢而目标用户没接触过的物品
- ItemCF:计算物品相似度,根据用户历史喜欢的物品推荐相似物品
- 相似度:余弦相似度、皮尔逊相关系数、Jaccard 系数;加权求和预测评分,取 Top-N
- 缺点:冷启动、数据稀疏、规模大时计算量大;可发展为矩阵分解
易错点
- 说协同过滤需要物品的内容特征
- 忽略冷启动和数据稀疏的问题
- 相似度计算没有考虑热门物品的影响
- 混淆 UserCF 与 ItemCF 的适用场景
面试官常见追问
- UserCF 和 ItemCF 怎么选?
- 协同过滤的冷启动怎么解决?
- 如何构建用户画像?
- 矩阵分解和协同过滤有什么关系?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。