推荐算法基础面试题：协同过滤、矩阵分解、FM/FFM 等
本章聚焦推荐算法面试中最高频的基础题型。你需要掌握三类算法的核心原理、适用场景与关键局限，并能清晰对比其差异。面试官常通过追问串连知识点（如：“协同过滤冷启动怎么解决？” → “矩阵分解为什么能缓解？” → “FM怎么处理高维稀疏特征？”）。下面提供回答框架与追问路径，帮助你在面试中层层递进、逻辑严密。
本章核心策略：回答推荐算法基础题时，遵循“定义→原理→优缺点→场景→扩展”的五步框架；遇到追问时，展示知识串联能力（如从CF说到FM再到深度模型）。
🟢 面试问题 1：请解释协同过滤算法的原理及其优缺点。
面试官考察点
- 是否真正理解协同过滤的“协同”含义
- 能否清晰区分 UserCF 和 ItemCF
- 对冷启动、稀疏性等缺点的认知深度
回答框架
- 一句话定义（利用群体行为进行推荐）
- 分类：基于用户（UserCF）和基于物品（ItemCF）
- 相似度计算方式（余弦/Jaccard/皮尔逊）
- 优点：无需内容特征、领域无关
- 缺点：冷启动、数据稀疏、扩展性
- 实际案例（如 Amazon 用 ItemCF）
简短示例回答
协同过滤通过统计用户历史行为计算相似度。UserCF 找兴趣相似的用户，ItemCF 找物品间的关联。优点是不需要物品内容特征；缺点是冷启动严重、评分矩阵稀疏。亚马逊早期大量使用 ItemCF 做“购买此商品的用户也买了”。
可能追问
- 如何冷启一个新用户/新物品？
- UserCF 和 ItemCF 分别在什么业务场景下更好？
- 相似度计算有哪几种？哪种效果更好？
避坑提醒：不要只讲概念不提实际应用；注意区分基于邻域的 CF 和基于模型的 CF（矩阵分解等），面试官可能会接着追问后者。
🟢 面试问题 2：矩阵分解（如 SVD、ALS）是如何解决协同过滤的稀疏性问题的？
面试官考察点
- 对隐语义模型的理解是否准确
- SVD 与 ALS 的区别及适用条件
- 能否解释矩阵分解为什么能“补全”缺失值
回答框架
- 指出协同过滤的稀疏痛点
- 矩阵分解思想：R ≈ P·QT
- 优化方法：SGD / ALS 交替最小二乘
- 优势：泛化能力强、缓解稀疏
- 局限：可解释性差、依赖评分
简短示例回答
矩阵分解将用户-物品评分矩阵分解为用户隐向量和物品隐向量，用低维表示拟合原矩阵。通过 ALS 或 SGD 学习参数后，能预测未交互的评分，从而缓解稀疏。著名的 Netflix Prize 就是用了 SVD 改进模型。
可能追问
- SVD 和 SVD++ 的区别？（SVD++ 加入用户历史行为偏置）
- 如何处理隐式反馈（如点击）？
- ALS 相比 SGD 有什么优势？（适合并行、处理缺失值友好）
避坑提醒：不要混淆 SVD 和特征值分解；注意说明矩阵分解的假设是线性隐含因子，面试官可能继续追问非线性模型。
🟢 面试问题 3：FM（因子分解机）与 FFM（场感知因子分解机）的区别是什么？为什么 FM 能处理高维稀疏特征？
面试官考察点
- 对特征交叉工程的理解深度
- 是否清楚 FM 与 FFM 在参数量和计算上的差异
- 能否解释 FM 解决稀疏交叉的数学原理
回答框架
- FM 核心：为每个特征学习隐向量，自动做二阶交叉
- FFM 改进：每个特征针对不同“场”学习不同隐向量
- 区别：FFM 参数量约为 FM 的 (场数) 倍，计算量更大，但精度更高
- FM 能处理稀疏原因：隐向量在稀疏特征上共享统计信息
- 适用场景：CTR 预估、推荐排序
简短示例回答
FM 通过为每个特征学习一个隐向量，组合任意两个特征时只需点乘对应向量，在稀疏数据下仍能有效学习特征交互。FFM 进一步引入“场”概念，例如“城市”和“品类”属于不同场，每个特征针对不同场学习独立向量，精度提高但参数量激增。
可能追问
- FM 与 GBDT+LR 的优劣？
- FM 如何扩展到 DeepFM？
- FFM 的训练为什么比 FM 慢很多？
避坑提醒：不要把 FFM 的参数量简单记为“场数倍”，实际是 (特征数 × 场数 × 隐向量维度)；注意说明 FM 可以处理连续特征，不仅限于离散特征。
📊 算法核心对比
| 维度 | 协同过滤 | 矩阵分解 | FM / FFM |
|---|---|---|---|
| 原理 | 基于邻居的相似度计算 | 隐向量分解评分矩阵 | 特征交叉 + 隐向量 |
| 处理稀疏性 | 差（依赖共现） | 较好（隐向量泛化） | 很好（向量共享统计） |
| 可解释性 | 高（可解释推荐理由） | 低 | 中（可看特征权重） |
| 冷启动 | 严重 | 略好（可利用物品属性） | 较好（加入特征后缓解） |
| 典型应用 | 电商、视频（ItemCF） | 评分预测、TopN 推荐 | CTR 预估、广告排序 |
💡 面试加分点：在回答算法基础题时，主动提及“该算法的变体”或“与后续模型的关联”，例如说完 FM 后补充“DeepFM 就是 FM + DNN，解决高阶特征交叉”。这种知识图谱式的表达会让面试官觉得你体系化扎实。