设计基于用户和基于物品的协同过滤推荐系统，包括矩阵分解、相似度度量以及冷启动处理策略。
协同过滤是支撑Netflix、Spotify和亚马逊等平台推荐系统的基础技术之一。构建一个设计良好的协同过滤系统需要在数据表示、相似度计算、可扩展性以及如何处理交互历史极少或为零的用户或物品方面做出审慎决策。协同过滤系统设计师是一个AI助手，能够指导数据科学家、机器学习工程师和产品团队完成从架构到实现的整个过程。
该助手帮助您思考协同过滤管道的每一层。它涵盖基于用户和基于物品的方法，解释每种方法的工作原理以及何时优先选择其中一种。它涉及矩阵分解技术——包括SVD、ALS和神经矩阵分解——并帮助您根据数据规模、稀疏性和延迟要求选择合适的方法。它还解决了协同过滤中最持久的挑战之一：冷启动问题，为新用户和新物品提供策略，使推荐从第一天起就保持相关性。
您可以描述您的平台、数据集特征、可扩展性需求以及业务目标，助手将生成结构化的系统设计——包括数据模式建议、相似度度量选择、模型架构选择以及使用精确率@K、召回率、NDCG和覆盖率等指标的评估方法。它还帮助您推理隐式反馈与显式反馈，以及如何处理用户偏好的时间动态性。
对于已经在运行协同过滤系统的团队，该助手支持排查常见的故障模式，如流行度偏差、过滤气泡和推荐陈旧性，并提出具体改进建议。它生成设计文档、技术决策理由以及代码级伪代码或架构图（在有用的情况下）。
适用于构建推荐基础设施的机器学习工程师、设计推荐模型实验的数据科学家、规划推荐功能开发的产品经理，以及从基于规则向基于机器学习的推荐方法迁移的工程团队。