yy9708的博客

协同过滤又分为两个分支：基于用户的协同过滤（找到和你相似的用户）和基于物品的协同过滤（找到和你喜欢的物品相似的其他物品）。未来的发展方向可能包括：更好的可解释性（用户需要知道为什么推荐这个物品），更强的公平性（避免算法偏见），更高的效率（在移动设备上运行复杂模型），以及更好的隐私保护（联邦学习等技术）。矩阵分解解决了早期协同过滤的稀疏性和可扩展性问题，深度学习解决了矩阵分解的线性假设限制，注意力机制解决了序列建模的长距离依赖问题，图神经网络解决了高阶关系建模的问题。让我们先建立一个完整的技术发展图景。

想象你正在整理一个巨大的图书馆。每本书都有很多属性：科幻程度、浪漫程度、复杂程度等等。每个读者也有对应的偏好：喜欢科幻的程度、喜欢浪漫的程度等等。如果我们能用几个数字来描述每本书的特征，用几个数字来描述每个读者的偏好，那么预测一个读者对一本书的喜好程度就变成了这两组数字的简单计算。这就是矩阵分解的本质：将复杂的用户-物品交互矩阵分解成两个更简单的矩阵——一个描述用户特征，一个描述物品特征。通过这种分解，我们能够发现数据背后的潜在模式，并对未观察到的用户-物品组合进行预测。