第2章：推荐系统核心基础与常用模型
章节导读：本章聚焦面试最高频的三类基础模型——协同过滤、矩阵分解、FM/FFM & Wide&Deep。掌握回答框架能让你在10分钟内展示系统理解力，区分“知道”与“真正懂”。
面试官画像：一线算法工程师/技术专家，关注底层原理透深度、业务理解与实际调优经验。大厂常结合AB测试与效率提问。
| 模型 | 核心假设 | 特征工程依赖 | 泛化能力 | 大厂侧重点 |
|---|---|---|---|---|
| 协同过滤 | 用户/物品相似度 | 低（仅交互） | 弱（冷启动） | 实时召回、社交关系 |
| 矩阵分解 | 隐因子线性组合 | 低 | 中 | 分布式SGD、负采样 |
| FM/FFM | 特征交叉参数共享 | 高 | 强 | 大规模稀疏、field感知 |
| Wide & Deep | 记忆+泛化联合 | 中（wide侧人工） | 强（deep侧） | Google Play、多目标优化 |
📌 Q1：请介绍协同过滤算法的原理、优缺点及适用场景
面试官考察点：
- 是否理解基于用户 vs 基于物品的差异
- 能否说出冷启动、稀疏性问题及常用缓解手段
- 能否结合业务说明选型考虑
回答框架：
- 一句话定义：基于“物以类聚，人以群分”的假设，利用交互矩阵计算相似性
- 两种模式：User CF (找相似用户) vs Item CF (找物品邻居)
- 优缺点：无需特征、可解释性强；但对交互稀疏和新物品不友好
- 适用场景：社交推荐、购物车关联、视频“看了又看”
- 落地优化：降维+向量化、协同过滤+内容冷启动融合
示例回答（约80字）：
协同过滤利用用户-物品交互矩阵计算相似度。Item CF 更稳定，适合物品数少于用户的场景。优点是实现简单、可解释性好；缺点是冷启动问题突出，常用Popularity回退或矩阵分解融合解决。
可能追问：
- 如何选择User CF和Item CF？
- 相似度度量除了余弦还有哪些？
- 怎么做实时协同过滤？
- 如何处理session-based推荐？
避坑提醒：
❌ 不要只说“计算相似度”，要讲清楚相似度计算公式和归一化方式；避坑：误以为User CF一定比Item CF更常用，实际大厂更偏向Item CF或i2i。
公司侧重点：阿里（社交关系+协同）、字节（i2i召回）、拼多多（关联购买）
面试官画像：资深算法，5年以上经验，曾踩过稀疏矩阵的坑
📌 Q2：矩阵分解（MF）在推荐系统中的作用是什么？如何训练？
面试官考察点：
- 是否理解隐语义模型与矩阵填充的关系
- 了解SVD vs FunkSVD vs ALS的区别
- 能否说明梯度下降与交替最小二乘的适用条件
回答框架：
- 核心思想：将用户-物品评分矩阵分解为两个低维隐因子矩阵的乘积
- 损失函数：MSE + L2正则（避免过拟合）
- 训练方式：SGD（适合全量更新）或ALS（适合隐式反馈+并行）
- 关键优化：负采样策略、偏置项引入、时间动态
- 缺点：线性交互假设，无法捕捉高阶特征
示例回答（约90字）：
矩阵分解通过用户隐向量与物品隐向量的内积预测评分。训练时采用SGD或ALS最小化平方误差。SGD适合显式评分，ALS易于分布式且处理隐式反馈。加入用户/物品偏置可提升精度。
可能追问：
- ALS与SGD相比优劣势？
- 如何处理隐式反馈（无评分只有行为）？
- 时间SVD如何改进？
- 大规模场景下怎么加速训练？
避坑提醒：
❌ 不要混淆SVD与FunkSVD（经典SVD要求矩阵稠密）；避坑：面试时主动提到“如果数据稀疏需要先填充均值”，展示对问题的理解。
公司侧重点：Netflix Prize经典场景、Netflix/阿里（大规模ALS）、Spotify（协同+MF）
面试官画像：推荐组TL，关注工程实现细节，可能追问分布式训练策略
📌 Q3：FM与FFM的区别？Wide & Deep模型的设计动机是什么？
面试官考察点：
- 是否理解FM特征交叉的核心——因子分解参数共享
- 能否说清FFM如何引入field感知提升了精度但增加了参数量
- Wide & Deep的设计哲学：记忆与泛化的平衡
回答框架：
- FM：为每个特征学习一个隐向量，交叉项通过向量内积计算，解决稀疏特征交叉
- FFM：在FM基础上引入field概念，每个特征与不同field的特征交叉时使用不同隐向量
- Wide & Deep：Wide侧（线性+特征交叉）记忆高频特征；Deep侧（DNN）泛化未出现组合；联合训练提升AUC
- 适用：CTR预估、广告推荐、特征维度高且稀疏的场景
示例回答（约100字）：
FM通过隐向量参数共享解决稀疏特征交叉；FFM为每个field分配独立隐向量，更精细但参数量变为O(n*k*field)。Wide & Deep用Wide侧记忆用户已点击的item pair，Deep侧泛化新组合，适合Google Play App推荐。
可能追问：
- 为什么FM不适合高阶交叉？
- Wide & Deep的Wide侧特征如何选择？
- DeepFM相比Wide & Deep有何优势？
- 实践中Wide侧学习率为什么设更高？
避坑提醒：
❌ 不要把FM和FFM说成“高阶模型”，它们本质是二阶交叉；避坑：主动提及“Wide侧需要人工特征工程”，这是很多面试官期待的实战认知。
公司侧重点：Google（Wide & Deep）、华为/头条（DeepFM/FFM）、美团（FM+排序）
面试官画像：CTR预估方向专家，常问“你们模型结构为什么不用DeepFM？”，考察技术决策能力
💡 面试提升建议：将上述表格作为你的“模型骨架”，面试中利用回答框架按顺序展开，同时准备1-2个业务案例（如“FM在广告CTR预估中如何做特征选择性交叉”），能让面试官感到你具备系统化思维与应用能力。