名词解释 / 07
协同过滤
英文名称：Collaborative Filtering 常见别名：CF、协作过滤 所属分类：进一步了解 AI 原理
一句话解释
协同过滤是推荐系统里最经典的一类方法。它基本不看商品或内容本身是什么，只统计大量用户留下的行为记录（浏览、搜索、收藏、购买），从中找出两种规律：一种是"和你有相似历史的人还喜欢什么"，另一种是"常和你关注的东西一起出现的是什么"，然后据此把内容推给你。说白了就是用一群人的集体选择，帮你缩小"从这么多东西里挑什么"的范围。
工作中什么时候会遇到
你在采购平台、企业内训系统、办公软件里看到"猜你喜欢""相似企业也在用""同事常一起查看"这类栏目时，背后很可能就是协同过滤在起作用。它不像会聊天的 AI 那样和你对话，而是安静地决定列表里哪条排在最前、哪个提醒先弹出来。
具体场景不限于购物：内训平台推"同岗位同事学过的课程"，文档系统推"这个项目里别人常一起打开的资料"，采购平台推"同行业企业追加采购过的耗材"。某个软件里到底有没有这类功能、表现成什么样，以当前版本和官方说明为准。
能解决什么问题
- 东西太多挑不过来时，先筛出一小份候选，把"不知道从哪看起"变成"从这几个里挑"。
- 带出你没有主动搜过的东西：只要和你有相似行为的同事或同行里有人用过、买过，它就可能出现在你面前，补充你不知道的选项。
- 不需要人工给每件商品、每份资料写属性标签就能工作，只要有足够的行为记录，维护成本较低。
- 推荐结果会随你的行为逐步变化：你点开、收藏、使用过什么，都会影响下一次排序，积累越多越接近你的实际需要。
- 在采购、配件这类连带场景里，能依据"买过 A 的同行后来买了 B"这类规律，提示你可能遗漏的配套项。
举个例子
设备维护工程师老陈所在的公司长期在一个工业品采购平台上买某型号轴承。一天平台首页出现"相似企业也在采购"栏目，向他推荐了一种高温润滑脂。平台依据的是其他工厂的采购记录：它们也买过同一款轴承，其中相当一部分后来追加采购了这种润滑脂。这是典型的"买了 A 的人常买 B"统计规律，平台并不了解这种润滑脂适不适合老陈的设备。老陈没有直接下单，而是先点开详情，核对了润滑脂的型号和适用温度范围，确认与自家设备的保养要求匹配后才采购。系统负责把候选带到他面前，最终判断仍由人来完成。
怎么使用
对普通员工来说，协同过滤基本不需要你配置。它通常内嵌在采购平台、内训系统、办公软件里，由软件供应商或公司内负责系统的产品、算法人员设定。你能做的主要是两件事：一是用行为"投票"，需要什么就搜索、收藏、下单、标记感兴趣，让系统知道你真正要什么；二是推荐明显不靠谱时，用"不感兴趣""移除此推荐"之类的按钮纠偏，这些反馈会调整之后的排序。也可以把"推荐给你"当成筛选线索，而不是权威结论。
如果公司准备自建或采购带推荐功能的内训、采购、文档系统，通常需要业务方配合确定记录哪些行为日志（谁看了什么、停留多久、是否最终采纳），并且理解系统在刚上线、数据不足的阶段效果会明显偏差，要攒够一段时间的行为记录后再评估好坏。
使用时要注意什么
协同过滤有三个固有短板，员工和管理者都需要心里有数。一是冷启动：新账号、刚上架的商品没有行为记录，推荐会失效或偏向大家都点过的热门，这不是系统出故障，是数据还没攒够。二是流行度偏差：热门内容会被反复推荐，冷门但更合适的不容易露头，真正重要和专业的内容仍要靠主动搜索补齐。三是它只认统计相关性，不理解因果和专业约束：系统看到的是"别人也买了"，看不到你这台设备实际需要什么，凡是涉及采购、安全、质量等关键判断，参数和适配性必须人工核实。另外，长期只看系统推荐会让人接触面逐渐收窄，跨岗位、跨领域的信息还是要主动获取。协同过滤依赖个人的浏览、采购等行为数据，涉及内部使用时要注意是否符合公司和员工的隐私与数据管理规定。
容易混淆的词
- 推荐系统：推荐系统是"给用户推荐什么"的整套机制，协同过滤只是其中一种经典算法。现在的推荐系统常常把协同过滤、基于内容的推荐和深度模型组合在一起工作，两者不是一回事。
- 基于内容的推荐：这种推荐按"物品自身的属性与你的偏好是否匹配"来判断，比如标题、分类里是否含有你在意的关键词；协同过滤不分析内容本身，只看人与物品之间的行为关系。
- 关联规则分析：常说的"啤酒与尿布"就是关联规则，它挖掘"买了 A 的人常买 B"这类规律供人分析；协同过滤会利用类似的共现规律去做推荐。两者思路相通，但一个是分析工具，一个是推荐算法。
- 用户画像：用户画像是把人归纳成一组标签，多用于理解人群和做定向投放；协同过滤通常不依赖标签，直接靠行为记录找相似人群。