EP21 · 推荐系统：协同过滤与基于内容

一句话概要：协同过滤基于用户行为相似度、靠邻居的眼光选东西，基于内容推荐基于物品特征匹配、看物不看人；一个向外看邻居，一个向内看画像，真实系统从来都是混搭。 素材锚点：实操 6、单选 40、单选 57 ｜ 所属：第三季·通识与治理

一、知识框架

本集讲推荐系统两条经典路线及其评估标尺，是 EP20 两种学习范式的落地案例。

1. 协同过滤：基于用户行为相似度（实操 6）——找口味重合的邻居，把邻居喜欢而你没接触过的东西推给你；有基于用户与基于物品两种形态；底气在行为数据诚实，软肋在冷启动。
2. 基于内容推荐：基于物品特征匹配（实操 6）——用户画像与物品画像对得上就推；长于可解释与起步快，短于越推越窄。
3. 差异与互补：协同过滤依赖用户行为数据，内容推荐依赖物品特征分析（实操 6）；一个向外看邻居，一个向内看画像，混搭是常态。
4. 评估标尺：比点击率更重要的指标是转化率（单选 40）；零售推荐最直接的业务指标是客单价提升率（单选 57）。
5. 范式底座：协同过滤偏无监督的结构发现，内容推荐的画像匹配可做成有监督预测——呼应 EP20。

二、题面锚点

实操 6：说明推荐系统中协同过滤与基于内容推荐的差异，并各举一例。

单选 40：评估推荐智能体效果时，比点击率更重要的指标是（ ）

A. 曝光次数　B. 用户停留时长　C. 转化率　D. 页面加载速度

单选 57：评估零售智能体推荐效果，最直接的业务指标是（ ）

A. 用户会话时长　B. 客单价提升率　C. 页面跳出率　D. 商品详情页浏览次数

三、答案讲透

实操 6 参考答案：协同过滤：基于用户行为相似度（如「喜欢科幻电影的用户 A 和 B，A 新看电影推荐给 B」）。基于内容推荐：基于物品特征匹配（如「用户常看科技新闻，推荐其他科技类文章」）。差异：协同过滤依赖用户行为数据，内容推荐依赖物品特征分析。

协同过滤的骨架是找邻居——系统从所有人的历史行为（看过什么、买了什么、停留多久）里量出用户间相似度，口味曲线高度重合即邻居，邻居喜欢而你没接触过的就推给你。这个逻辑成立的原因是行为数据诚实：嘴上说喜欢严肃文学、行为上天天看爽文，系统信行为不信嘴，行为是用户用脚投的票，样本量大、伪装成本高、时效性强。两种形态共享同一内核：基于用户的协同过滤（找口味邻居）与基于物品的协同过滤（买这个手机的人还买了什么手机壳）。软肋是冷启动——新用户行为空白找不到邻居，新物品没人碰过进不了邻居圈。

基于内容推荐的骨架是画画像——用户常看科技新闻、关注人工智能，兴趣画像是一串标签，文章带芯片关键词、属于科技频道，物品画像也是一串标签，两边对得上就推。它不依赖任何其他人的行为，价值在于可解释（问为什么推这个，答案直接讲，因为你常看科技新闻），软肋是太专反而太窄（画像里只有科技就拼命推科技，惊喜越来越少，长于守成、短于开拓）。

差异一句话收束：协同过滤依赖用户行为数据，靠人和人相似度搭桥，能带来惊喜但冷启动困难；基于内容推荐依赖物品特征分析，靠画像匹配，起步快、可解释但越推越窄。一个向外看邻居，一个向内看画像，正好互补。

单选 40 答案：C（转化率）。点击率衡量推荐有没有吸引力，标题耸、封面辣点击就高，可用户点进去发现货不对板秒退，这个点击是被噱头骗来的。推荐的目标不是骗点击，是帮用户完成他想做的事（买下商品、订阅课程、解决问题），点击只是过程，转化才是结果。曝光次数是投放盘子大小不是效果；用户停留时长归因不纯（内容好、迷路、加载慢都会停留）；页面加载速度是工程性能指标，与推荐质量无关。只有转化率直接对准推荐的本职。

单选 57 答案：B（客单价提升率）。零售推荐的每一分算力最后都要折算成钱——新闻推荐看阅读时长，视频推荐看完播率，零售推荐就看用户买得更多了没有。客单价是营收的分子，客单价提升率把推荐价值直接换算成真金白银，推荐上了三个月客单价涨百分之十五，就是推荐团队的功劳簿，不用绕弯子。用户会话时长是逛得久不等于买得多（购物车当收藏夹）；页面跳出率是投放侧问题，推荐只是入口之一；详情页浏览次数是中间行为数据，离成交还隔一层。与单选 40 配套：单选 40 讲通用推荐看转化，单选 57 讲零售场景转化落到客单价——点击看吸引，转化看结果，客单价看生意。

四、延伸思考

1. 范式底座回看 EP20：协同过滤靠行为数据的结构发现，偏无监督；基于内容推荐的画像匹配可以做成预测任务，偏有监督。推荐系统是两种范式混搭最彻底的领域，没有之一。
2. 冷启动是两条路线的接头处：新用户来了，协同过滤抓瞎，基于内容推荐靠注册兴趣和画像先顶上，等行为积累起来了，协同过滤再接手。工程上的常见做法是两路并行加权，冷启动期内容路权重高，暖启动后协同路权重高。
3. 指标链思维可迁移到一切智能体评估：点击看吸引、转化看结果、客单价看生意，这条由浅入深的链，和 EP14 评估体系讲的「比准确率更重要的指标」是同一个思想——过程指标可以被策略欺骗，结果指标才贴近本质。
4. 可解释性是内容推荐的隐藏王牌：协同过滤效果往往更好，但问它为什么推这个，它答不上来（邻居喜欢所以推给你，用户不接受这个解释）。内容推荐输在惊喜，赢在交代，高风险场景（医疗资讯、金融产品）宁可要可解释的平庸，不要黑箱的精彩。

五、术语表