协同过滤与深度学习模型在推荐中的优势
哪些公司问过
答案要点
- 协同过滤:利用用户-物品共现,简单、低成本、物品协同可解释性强
- 协同过滤短板:冷启动和稀疏数据效果差,难以利用内容与上下文特征,热门偏置
- 深度模型:融合 ID、内容、序列、上下文等多源特征,可建模复杂交叉与兴趣演化
- 深度模型代价:数据和算力需求大,可解释性弱,工程复杂
- 实践融合:协同过滤作为召回通道,深度模型排序,协同信号作为特征或嵌入
易错点
- 认为深度学习可以全面取代协同过滤
- 忽视协同过滤在召回阶段的低成本和稳定性
- 把深度模型的冷启动优势说成无需任何特征
面试官常见追问
- 矩阵分解算协同过滤还是深度学习?
- 深度模型如何引入协同信号?
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。