# AutoRec

## 元数据

- 书名：深度学习推荐系统
- 作者：王喆
- 章节：第3章 深度学习在推荐系统中的应用
- 页码线索：53-58
- 目标岗位：AI PM / 推荐系统产品 / 算法工程师面试
- 优先级：P1
- 标签：autorec, autoencoder, collaborative-filtering

## 面试问题

AutoRec 的基本思想是什么？

## 30 秒回答

AutoRec 用自编码器重构用户-物品评分向量，通过隐藏层学习用户或物品的低维表示，是把神经网络用于协同过滤的一种早期方式。

## 展开要点

- 输入可以是用户评分向量或物品评分向量。
- 目标是重构已知评分，并预测未知评分。
- 相比矩阵分解，AutoRec 引入非线性表达。
- 局限是依赖评分矩阵，难融合复杂上下文和工业特征。

## 高频追问

- AutoRec 和矩阵分解有什么联系？
- 自编码器为什么能学表示？
- 为什么 AutoRec 工业影响不如后续模型？

## 项目映射

- 用内容评分/收藏矩阵做个性化素材推荐。
- 作为“神经协同过滤”的入门例子。

## AI PM 迁移

这张卡适合理解模型演进：深度学习不是一上来就取代系统，而是逐步替换传统模块。

## 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。