# 协同过滤 UserCF 与 ItemCF

## 元数据

- 书名：深度学习推荐系统
- 作者：王喆
- 章节：第2章 前深度学习时代
- 页码线索：14-20
- 目标岗位：AI PM / 推荐系统产品 / 算法工程师面试
- 优先级：P0
- 标签：collaborative-filtering, usercf, itemcf

## 面试问题

UserCF 和 ItemCF 有什么区别，分别适合什么场景？

## 30 秒回答

UserCF 基于相似用户推荐物品，ItemCF 基于相似物品推荐给用户。UserCF 更关注人群相似，ItemCF 更稳定、可解释、适合物品关系相对稳定的场景。

## 展开要点

- 协同过滤利用用户行为矩阵，不依赖复杂内容特征。
- UserCF 在用户量大且兴趣变化快时计算和更新成本较高。
- ItemCF 物品相似度更稳定，常适合电商、视频、音乐等场景。
- 协同过滤有冷启动、稀疏性、热门偏置和可扩展性问题。

## 高频追问

- 如何计算用户相似度或物品相似度？
- 为什么 ItemCF 在工业界更常见？
- 协同过滤如何处理新用户和新物品？

## 项目映射

- 用“看过 A 的人也看过 B”说明 ItemCF。
- 用学习素材库做“读过 RAG 卡的人也读 Agent 卡”的相似推荐。

## AI PM 迁移

协同过滤对应 AI 产品里的行为相似性推荐：不理解内容语义，也能从共同行为中发现关联。

## 备注

本卡为面试复习用的主题重构和答题框架，不保存原书正文。