協同過濾的侷限性

協同過濾非常直觀，而且可解釋性強，但是它仍然具有很多的侷限性，比如它的泛化能力比較差，協同過濾無法將兩個物品相似這一資訊推廣到其他物品的相似度計算上。這就到這了乙個嚴重的問題，熱門物品具有很強的頭部效應，容易跟大量的商品產生相似度，而長尾商品，由於其特徵向量稀疏，很少與其他物品產生相似度，導致被推薦的可能性很小。但是去發掘長尾商品，增加長尾被推薦的可能性卻是推薦系統最重要的目標之一。這其實也可以被視為是協同過濾的天然缺陷，本身無論是基於使用者還是基於商品，協同過濾對稀疏向量的處理本身就很弱，所以頭部效應才會這麼明顯。

也正是因此，才有矩陣分解技術mf被提了出來，它可以解決上述問題，並且增加泛化能力。這個我們放到下篇文章來講。

協同過濾還有其他的侷限性，比如，cf方法其實只是利用了使用者和物品之間的互動資訊，卻無法去考慮以及綜合其他的語義資訊，比如年齡，性別，商品描述，商品分類等等。這會導致對資料的挖掘不夠徹底，造成資訊的遺漏。