构建个性化推荐系统时，用协同过滤…

适用于产品/内容推荐、个性化排序以及需要处理冷启动、数据稀疏和推荐质量评估的场景。

适用场景

解决思路

1. 根据场景选择推荐方法：协同过滤使用用户-物品交互，能发现隐藏模式但有冷启动；基于内容使用物品特征，适合新物品但发现范围有限；混合方法结合两者效果最好但更复杂。
2. 实现协同过滤：用 cosine_similarity(user_item_matrix) 计算 user_similarity，用 cosine_similarity(user_item_matrix.T) 计算 item_similarity；推荐时 scores = user_similarity[user_id].dot(user_item_matrix)，用 already_interacted = user_item_matrix[user_id].nonzero()[0] 找到已交互项并令 scores[already_interacted] = -np.inf，返回 np.argsort(scores)[-n:][::-1]。
3. 实现矩阵分解 SVD：用 TruncatedSVD(n_components=n_factors)；fit 时 user_factors = svd.fit_transform(user_item_matrix)，item_factors = svd.components_.T；预测时 np.dot(user_factors[user_id], item_factors[item_id])。
4. 实现混合推荐：设置 collab_weight=0.7、content_weight=0.3；分别用协同过滤和基于内容过滤得到 collab_scores 和 content_scores；combined = weights[0] * collab_scores + weights[1] * content_scores；返回 np.argsort(combined)[-n:][::-1]。
5. 使用评估指标：用 Precision@K、Recall@K、NDCG（排序质量）、Coverage（目录多样性）和 A/B test conversion rate 评估推荐效果。
6. 冷启动-新用户：使用流行物品、引导偏好、人口统计信息。
7. 冷启动-新物品：使用基于内容引导、主动学习。
8. 冷启动-探索策略：使用 ε-greedy、Thompson sampling bandits。
9. 快速开始第 1 步：准备用户-物品交互矩阵；行=用户，列=物品，值=评分/交互；用 csr_matrix((ratings, (row_idx, col_idx)), shape=(n_users, n_items)) 构建稀疏矩阵。
10. 快速开始第 2 步：选择并训练模型；例如 ItemBasedCollaborativeFilter(similarity_metric='cosine', k_neighbors=20)，调用 model.fit(user_item_matrix)。
11. 快速开始第 3 步：生成推荐；调用 recommendations = model.recommend(user_id=42, n=10)，结果为 [(item_id, score), ...]。
12. 快速开始第 4 步：在测试集评估；准备 test_items = {42: {10, 25, 30}}，用 rec_items = [item for item, score in recommendations]，调用 precision_at_k(rec_items, test_items[42], k=10) 和 recall_at_k(rec_items, test_items[42], k=10)。
13. 快速开始第 5 步：处理冷启动；用 PopularityRecommender，popularity_model.fit(interactions_with_timestamps)，new_user_recs = popularity_model.recommend(n=10)。
14. 预防流行度偏差：平衡流行度与个性化，应用重排序增加多样性；实现 diversify_recommendations(recommendations, item_features, diversity_weight=0.3)：迭代选择；第一个选最高分；对每个候选计算其 item_feature 与已选 item_features 的 cosine_distances 平均值；combined = (1 - diversity_weight) * relevance + diversity_weight * avg_distance；选择 combined 最大的项；重复直到选完。
15. 处理数据稀疏：当矩阵>99%空时，使用矩阵分解（SVD、ALS）替代基于内存的 CF；例如用 TruncatedSVD(n_components=50)，user_factors = svd.fit_transform(sparse_matrix)，item_factors = svd.components_.T，预测 user_factors[u] @ item_factors[i]。
16. 冷启动无回退：实现回退链；如果 has_sufficient_history(user_id, min_interactions=5) 则 collaborative_filter.recommend(user_id, n)；捕获异常并记录 logger.warning；否则如果 user_demographics_available(user_id) 则 demographic_recommender.recommend(user_id, n)；否则 popularity_recommender.recommend(n)。
17. 排除已交互物品：总是过滤已交互项；user_items = user_item_matrix[user_id].nonzero()[1]；scores[user_items] = -np.inf；recommendations = np.argsort(scores)[-n:][::-1]。
18. 处理隐式反馈置信度：按交互强度加权；confidence_matrix = 1 + alpha * np.log(1 + interaction_counts)；在 ALS 中使用 C_ui * (P_ui - X_ui)²，对交互更多的物品给更高置信度。
19. 评估排序质量而非仅准确率：使用 NDCG、MAP@K 等排序指标；不要只用 RMSE；用 ndcg_at_k(recommendations, relevance_scores, k=10) 和 mean_average_precision_at_k(all_recommendations, ground_truth, k=10)。
20. 避免过滤气泡：实现探索-利用策略；使用 ExploreExploitRecommender(base_model, epsilon=0.1)；推荐时 n_exploit = int(n * (1 - epsilon))，用 base_model 推荐 n_exploit 个；n_explore = n - n_exploit，sample_diverse_items(n_explore)；合并返回。
21. 需要协同过滤详细实现时，加载 references/collaborative-filtering-deep-dive.md。
22. 需要矩阵分解详细实现时，加载 references/matrix-factorization-methods.md。
23. 需要评估指标详细实现时，加载 references/evaluation-metrics-implementation.md。
24. 需要冷启动详细策略时，加载 references/cold-start-strategies.md。