协同过滤原理与局限：相似性假设的边界

协同过滤基于一个朴素假设：相似的用户喜欢相似的内容。用户-based 方法找相似用户，物品-based 方法找相似物品，再据此产生推荐。

它的优点是不需要内容特征，只依赖行为矩阵，实现简单且解释性较好。早期电商和视频平台的推荐大多由此起步。

局限也很明显。数据稀疏时相似度计算不可靠，新用户新物品难以处理，且热门物品会被反复推荐，加剧长尾内容曝光不足。

协同过滤并未过时，常作为召回通道与其他方法融合。理解它的假设边界，才能在合适场景发挥它的价值。