协同过滤
Parent: ai_keywords
协同过滤
核心定义
协同过滤（Collaborative Filtering）是一种基于群体智能的推荐算法，通过分析大量用户的历史行为（如评分、点击、购买），挖掘用户或物品间的相似性，从而预测当前用户对未交互物品的偏好程度。其核心理念是“志同道合者偏好相似”，无需依赖物品的显式内容特征，仅凭用户行为矩阵即可生成个性化推荐。
关键技术点
- 用户-物品交互矩阵：基础数据结构，行代表用户，列代表物品，矩阵元素记录用户对物品的显式或隐式反馈。该矩阵通常高度稀疏（多数条目缺失），需通过填补或降维处理。
- 相似度度量：常用余弦相似度、皮尔逊相关系数或杰卡德系数，用于量化用户之间（User-based）或物品之间（Item-based）的相似程度。度量方法的选择直接影响推荐质量。
- 基于用户的协同过滤（UserCF）：为目标用户找到最相似的“邻居”用户群，聚合邻居对目标物品的评分，加权平均后预测目标用户评分。适合用户数远小于物品数的场景。
- 基于物品的协同过滤（ItemCF）：计算物品间的相似性，根据目标用户已评分物品，推荐与之最相似的物品。适用于物品数少于用户数、且用户兴趣稳定的场景（如电商）。
- 矩阵分解（如SVD、ALS）：将稀疏交互矩阵分解为低维用户隐向量和物品隐向量，通过隐因子捕捉潜在特征，解决稀疏性与可扩展性问题，显著提升预测精度。
医学/神经科学应用场景
在首都医科大学神经病学研究中，协同过滤可用于个性化卒中后康复方案推荐。基于海量卒中患者的临床数据（如入院NIHSS评分、梗死部位、年龄、合并症、康复治疗记录），构建患者-康复措施交互矩阵。通过基于用户的协同过滤，为新入院的卒中患者寻找临床特征最相似的“历史患者群”，聚合该群体有效的康复方案（如特定频率的经颅磁刺激、认知训练组合），预测并推荐最可能获益的个体化治疗路径。此方法突破传统指南一刀切局限，尤其适用于卒中亚型异质性大的场景，为精准神经康复提供数据驱动决策支持。
