协同过滤
推荐系统中的经典算法，通过分析相似用户的行为模式来推断目标用户的偏好，是传统个性化推荐的核心技术之一
时间轴 (近 90 天)
协同过滤通过分析大量用户历史行为找到相似口味群体，优势是发现潜在喜好，但存在冷启动问题
基于模型的协同过滤通过矩阵分解将高维稀疏评分矩阵分解为代表用户隐向量和物品隐向量的两个低维稠密矩阵，再通过内积预测评分
协同过滤的基于记忆的方法直接计算用户或物品之间的相似度（如余弦相似度、皮尔逊相关系数），可解释性强但面对稀疏矩阵时效果下降
协同过滤的基本假设是：如果两个用户过去的观影偏好高度相似，那么一方喜欢而另一方未观看的内容很可能也会被另一方喜欢
算法推荐依赖用户行为数据（如点击、停留时长、购买记录）进行个性化匹配，优势在于规模化与实时性
协同过滤等基于历史数据的推荐方法容易强化已有偏好，形成信息茧房
协同过滤（Collaborative Filtering）是传统推荐系统的基础技术，其逻辑是与你行为相似的用户喜欢什么你可能也喜欢
Spotify的推荐引擎长期综合运用协同过滤、自然语言处理和音频分析三类技术
Spotify的个性化推荐系统依赖协同过滤与自然语言处理等多种技术，分析用户播放记录、跳过行为、播放列表构建习惯及与相似用户的对比
个性化推荐系统在引入大语言模型之前长期依赖协同过滤和基于内容的过滤两类算法
还有 6 条时间轴事件
全部知识事实 (17)
流媒体推荐系统经历了三代演进：第一代（2000年代）协同过滤、第二代（2010年代）深度学习、第三代（2020年代至今）大语言模型
70%待验证协同过滤通过分析大量用户历史行为找到相似口味群体，优势是发现潜在喜好，但存在冷启动问题
50%待验证基于模型的协同过滤通过矩阵分解将高维稀疏评分矩阵分解为代表用户隐向量和物品隐向量的两个低维稠密矩阵，再通过内积预测评分
50%待验证协同过滤的基本假设是：如果两个用户过去的观影偏好高度相似，那么一方喜欢而另一方未观看的内容很可能也会被另一方喜欢
50%待验证协同过滤的基于记忆的方法直接计算用户或物品之间的相似度（如余弦相似度、皮尔逊相关系数），可解释性强但面对稀疏矩阵时效果下降
50%待验证算法推荐依赖用户行为数据（如点击、停留时长、购买记录）进行个性化匹配，优势在于规模化与实时性
50%待验证协同过滤等基于历史数据的推荐方法容易强化已有偏好，形成信息茧房
50%待验证协同过滤（Collaborative Filtering）是传统推荐系统的基础技术，其逻辑是与你行为相似的用户喜欢什么你可能也喜欢
50%待验证Spotify的推荐引擎长期综合运用协同过滤、自然语言处理和音频分析三类技术
50%待验证Spotify的个性化推荐系统依赖协同过滤与自然语言处理等多种技术，分析用户播放记录、跳过行为、播放列表构建习惯及与相似用户的对比
50%待验证个性化推荐系统在引入大语言模型之前长期依赖协同过滤和基于内容的过滤两类算法
50%待验证协同过滤是推荐系统的核心思想，引入点击、购买、停留时长等用户行为信号，但存在冷启动问题
50%待验证协同过滤依赖群体行为统计，容易陷入热门偏见，难以理解个人用自然语言表达的细腻偏好
50%待验证SVD在协同过滤推荐系统中可将用户-物品评分矩阵映射到低维潜在因子空间，从而预测用户对未评分物品的偏好，其变体包括SVD++、时序SVD等
50%待验证现代社交媒体平台的推荐算法通常基于协同过滤和深度学习模型，通过分析用户行为数据预测推送内容
50%待验证情境感知推荐系统在协同过滤基础上额外纳入用户当下的状态变量，如时间、地点、情绪、设备类型
50%待验证协同过滤通过分析数百万用户的行为相似性来预测个体偏好，内容过滤则分析音频信号的音色、节奏、调性等特征
50%