协同过滤算法（Collaborative Filtering, CF）是推荐系统领域最经典、最核心的算法之一，核心逻辑是 **“物以类聚，人以群分”**—— 通过分析用户与物品（如小红书的笔记、商品）之间的互动关系（如浏览、点赞、收藏、购买），挖掘用户的潜在兴趣，从而实现精准推荐。它不需要依赖物品本身的内容特征（如笔记的文字、图片），也不需要用户的显式属性（如年龄、职业），仅通过 “用户 - 物品” 的互动行为数据即可工作。

一、协同过滤的核心思想：两种经典范式

协同过滤主要分为两大类别，分别从 “用户相似性” 和 “物品相似性” 两个角度切入，覆盖不同的推荐场景：

1. 基于用户的协同过滤（User-Based CF）

核心逻辑：找到与 “目标用户” 兴趣相似的 “邻居用户”，将邻居用户喜欢的、但目标用户未接触过的物品推荐给目标用户。可以理解为：“如果 A 和 B 都喜欢笔记 X、Y、Z，那么 A 喜欢的笔记 M，也可能适合推荐给 B”。

实现步骤（以小红书为例）：

1. 构建用户 - 互动矩阵：横向为用户（如用户 1、用户 2...），纵向为笔记（如笔记 A、笔记 B...），矩阵中的值代表用户对笔记的互动程度（如 “1” 表示点赞，“2” 表示收藏，“0” 表示未互动）。
2. 计算用户相似度：通过算法（如余弦相似度、皮尔逊相关系数）计算目标用户与其他所有用户的相似度。例如，用户 A 经常点赞 “论文写作” 类笔记，用户 B 也频繁互动同类笔记，二者相似度就高。
3. 筛选 “相似邻居”：选取与目标用户相似度最高的 Top N 用户（如 Top 50）作为 “邻居”。
4. 生成推荐列表：收集邻居用户互动过、但目标用户未互动过的笔记，按 “邻居互动热度” 排序，推荐给目标用户。

适用场景：用户互动行为丰富、用户兴趣相对稳定的场景（如小红书的 “学术论文”“母婴” 等垂直领域）。

2. 基于物品的协同过滤（Item-Based CF）

核心逻辑：先计算 “物品之间的相似度”，再将与 “目标用户已喜欢的物品” 相似的其他物品推荐给用户。可以理解为：“如果喜欢笔记 X 的用户，大多也喜欢笔记 Y，那么当用户 A 喜欢 X 时，就把 Y 推荐给 A”。

实现步骤（以小红书为例）：

1. 构建物品 - 用户矩阵：横向为笔记，纵向为用户，矩阵中的值同样代表用户对笔记的互动程度（与 User-Based 相反，聚焦 “物品被哪些用户喜欢”）。
2. 计算物品相似度：通过算法（如余弦相似度、Jaccard 相似系数）计算任意两个笔记的相似度。例如，80% 点赞 “论文选题技巧” 笔记的用户，同时也点赞了 “文献综述模板” 笔记，这两个笔记的相似度就高。
3. 生成推荐列表：找出目标用户已互动过的所有笔记，再匹配这些笔记的 “高相似笔记”，去重后推荐给目标用户。

适用场景：物品数量相对稳定、物品相似度不易随时间变化的场景（如小红书的 “论文工具推荐”“穿搭教程” 等实用性笔记）。

二、协同过滤的关键技术细节

1. 相似度计算方法（核心指标）

不同的相似度算法适用于不同的数据场景，小红书会根据 “用户 - 笔记” 互动数据的稀疏程度（多数用户只互动少数笔记，矩阵多为 0）选择合适的方法：

相似度算法	计算逻辑	适用场景
余弦相似度	把用户（或物品）的互动行为看作向量，计算两个向量的夹角余弦值（值越近 1 越相似）	数据稀疏、互动值为 “有无”（如是否点赞）
皮尔逊相关系数	计算两个用户（或物品）互动行为的线性相关程度（值越近 1 越相似）	互动值有 “强弱”（如点赞 / 收藏 / 评论）
Jaccard 相似系数	计算两个用户（或物品）共同互动的物品（或用户）数量，除以总互动数量的交集	仅关注 “是否互动”，不关注互动强度

2. 解决 “数据稀疏” 问题（核心挑战）

小红书的 “用户 - 笔记” 矩阵极其稀疏（例如 1 亿用户 ×10 亿笔记，有效互动仅占 0.01%），直接计算相似度会导致结果不准确。常用优化方案：

• 降维处理：用矩阵分解（如 SVD 奇异值分解、FunkSVD）将高维的 “用户 - 物品” 矩阵，分解为低维的 “用户特征矩阵” 和 “物品特征矩阵”（如将 10 亿笔记压缩为 100 个特征维度），通过低维向量计算相似度，减少稀疏性影响。
• 引入 “隐式反馈”：除了显式互动（点赞、收藏），还纳入隐式互动（如浏览时长＞3 秒、点击笔记链接、复访同一笔记），丰富数据维度，降低矩阵稀疏度。

三、协同过滤在小红书的实际应用

小红书在 “用户画像构建” 和 “推流” 中，会将协同过滤与其他算法结合，提升精准度：

1. 冷启动阶段：新用户刚注册时，无太多互动数据，会先用 “基于物品的 CF”（利用已有笔记的相似度）推荐热门垂直领域笔记（如 “论文写作” 类高相似笔记），快速捕捉用户兴趣。
2. 用户兴趣挖掘：对老用户，用 “基于用户的 CF” 找到同领域用户（如 “论文投稿人群”），推荐这些用户喜欢的小众笔记，挖掘潜在需求（如 “SCI 期刊选择技巧”）。
3. 笔记推荐场景：在 “发现页” 推流时，会结合 “用户已互动笔记的相似笔记”（Item-Based CF）和 “相似用户喜欢的笔记”（User-Based CF），再叠加 NLP 提取的内容标签，进一步提升推荐精准度。

四、协同过滤的优缺点（小红书的优化方向）

优点	缺点
1. 无需依赖物品内容（如笔记文字），适用于多模态内容（图文、视频）；2. 能挖掘潜在兴趣（如用户没搜过但相似用户喜欢的内容）；3. 算法逻辑清晰，工程落地成本低。	1. “冷启动问题”：新用户 / 新笔记无互动数据，无法计算相似度；2. “热门偏向”：容易推荐热门内容，忽略小众但精准的内容；3. 无法解释推荐原因（用户不知道 “为什么推这篇笔记”）。

小红书为弥补这些缺点，会将协同过滤与内容过滤（NLP 标签匹配）、深度学习模型（如 DeepFM、Transformer） 结合，形成 “混合推荐系统”—— 例如先用协同过滤找到候选笔记，再用内容过滤（匹配 “论文写作” 标签）筛选，最终实现 “既符合兴趣，又有内容相关性” 的推流。