一、协同过滤并没有"过时"，它是数据稀疏期的基线之王
不少团队打着"升级AI"的旗号，上来就直奔深度学习推荐模型（DeepFM、DIN、DIEN）。但协同过滤（Collaborative Filtering，CF）在工程上有一个至今让深度模型难以企及的优势：它完全不需要内容特征，只要一张用户行为矩阵。
对于新业务而言，深度学习推荐模型要求输入用户画像、物品属性、上下文等各类特征，而这些都依赖一套成熟的数据基础设施——特征工程、特征存储、在线特征服务。换句话说，业务上线后的头六个月，深度模型可能连训练数据都攒不齐。而协同过滤只需要一张"用户×物品"的交互矩阵（点击、购买、评分），上线当天就能开跑。
协同过滤另一个硬实力是"可解释"。"因为你相似的用户也买了它，所以推荐给你"——这个逻辑用户秒懂。而"因为一个 128 维的 Embedding 向量与你的兴趣向量余弦相似度大于 0.87"——没人能看懂。在产品早期，用户信任比推荐精度重要得多。一个推荐再准却让人摸不着头脑，用户只会觉得"这 App 在监视我"。反而朴素可解释的协同过滤更容易赢得信任。
从产品经理视角看，推荐系统升级节奏应由"数据密度"主导，而非"技术冲动"。行为数据不足 100 万条时，协同过滤就是最优解；100 万到 1000 万条之间，可引入内容特征（物品属性、用户标签）与浅层模型（FM、GBDT）；跨过 1000 万条后，深度学习才真正占据优势——数据量够大，深度网络才能学出有意义的 Embedding。
二、从 CF 到深度学习的工程过渡：并行双模型 + AB 实验
从协同过滤切换到深度学习的正解不是"替换"，而是"并行 + AB"。
双模型并行运行：CF 与深度模型各自独立产出推荐，再经混排层合并。老用户行为数据充足，混排权重偏向深度学习（70% 深度 + 30% CF）；新用户行为少，权重偏向 CF（20% 深度 + 80% CF）；零行为的冷启动用户，直接上热门推荐或基于人口统计的规则推荐。这种混合策略保证全量用户都有推荐可看——不会因为深度模型对冷启动用户效果差而让这部分人落空。
AB 实验设计要特别警惕"新颖性陷阱"。深度模型推荐的物品往往与用户历史行为高度雷同，极易形成"信息茧房"。此时 CTR 或许很好看，但用户满意度可能正在下滑。因此 AB 实验除了盯 CTR，还必须同步监控推荐多样性（类别分布、推荐物与历史行为的平均相似度）与长期留存（7 天/30 天留存率）。一个 CTR 高、留存低的模型，说明它在短期吸睛、长期伤体验。
三、Embedding：CF 通往 DL 的"通用语言"
在演进过程中，Embedding 充当了"通用语言"的角色。它既出现在深度学习的输出层（物品 Embedding、用户 Embedding），也存在于协同过滤的矩阵分解变体（SVD++、ALS）里。正因如此，CF 和 DL 可以在同一个向量空间里融合——两边算出的物品相似度，都能用 Embedding 的余弦距离统一度量。
Embedding 的工程价值还体现在"召回→排序"的两段式架构上。召回阶段从百万级物品池里筛出几百个候选，靠的是基于 Embedding 的近似最近邻检索（如 Faiss、Annoy），因为百万量级必须用高效向量索引做实时查询；排序阶段则对这几百个候选用更复杂的深度模型精确打分，这个环节能承受更高的算力开销——毕竟只需排几百个，而非几百万个。
Embedding 的维度取舍同样考验工程判断。维度越高，表达越强，但存储与计算开销同步上涨。推荐系统常用的维度区间是 64-256；超过 256 后，性能增益边际递减，计算成本却线性攀升。
四、工程冷启动：没数据时怎么让推荐先转起来
除算法层面的 CF 冷启动外，还需要一整套"工程冷启动"打法——新业务刚上线、毫无用户行为时，如何让推荐系统先给出合理结果。
四个常用手段：基于物品属性的内容推荐——用类目、标签、描述文本算相似度；基于人口统计学的推荐——看新用户的年龄、性别、注册渠道；基于热门趋势的推荐——全站热门、同城热门；基于专家标注的推荐——编辑手工维护精选列表。
这些策略的效力是递减的：内容推荐与新人画像匹配时效果最好，热门推荐最不个性化但零成本可用。上线第一周，100% 的推荐流量应走"规则推荐"（内容 + 热门）；第二周起逐步引入协同过滤；等到一个月后行为数据攒到 100 万条，再上深度学习模型。
关键在于：别因为深度模型眼下没法工作，就把推荐系统搁到"数据够了再说"。先用协同过滤跑起来，在用户使用中积累行为数据，再用这些数据训练深度模型。推荐系统从来不是"先建再上线"，而是"先上线、再迭代"。
五、总结
从协同过滤走向深度学习的路径可以这样概括：
- CF 是第一站 ：上线第一天就能干活，不需要特征工程基建。可解释性强，利于早期建立用户信任，数据量 <100 万条时是最优选。
- 特征基建才是瓶颈 ：从 CF 升到 DL 的真正关卡不是算法，而是特征工程基础设施是否就绪（特征存储、在线特征服务、特征监控）。
- 并行双模型 + AB：别"替换"CF，让它和 DL 并行跑、经混排层融合。冷启动用户偏 CF，老用户偏 DL。AB 中同时盯 CTR 与多样性——高 CTR 低多样性，就是信息茧房的预警信号。
- Embedding 是桥梁：CF 与 DL 借助共享向量空间完成融合，64-256 维是性价比最优区间。
- 先上线再迭代：推荐系统是"先上后建"。规则推荐覆盖第一周，CF 覆盖第一个月，DL 在数据充足后接手。每一步都踩在上一步积累的数据上往前走。
评论0