UserCF详解：相似用户帮你做选择

可视化演示

展示SGD、Momentum、Adam三种梯度下降优化器在二次损失曲面上的优化轨迹，对比收敛速度与路径，支持学习率调节与步进播放。

核心思想

深夜的新城市，你给两个老友发消息求推荐。他们为什么靠谱？因为他们在无数顿火锅、烧烤里摸清了你的口味——你吃辣但怕麻，爱酸汤不爱甜口。你不是“喜欢所有美食”，你有一份具体的口味档案。

UserCF 不做任何食材分析，它只依据“行为共现”：你点过、收藏过、评价过的物品，构成了你的口味档案。系统给每个用户建一份机器能读的档案，也就是一张“用户 × 物品”的兴趣矩阵，格子里的 0/1 或评分代表你是否喜欢它。

有了档案，就能回答“谁和你口味像”：两人档案重叠越多，相似度越高。找出相似用户（邻居）后，把他们喜欢而你没接触过的物品汇总排序，得到推荐。三个环节缺一不可：构建画像 → 找邻居 → 借口味生成推荐。

就像你只信那两三个懂你的朋友，UserCF 从不多管闲事地分析菜品本身，它把“懂你”这件事外包给一群人——这就是协同过滤里的“群体智慧”。

相似度度量

“像不像”不能凭感觉。你和朋友口味相似，体现在你们共同说好的馆子占比高：你们一起吃过的店都打了高分，说明口味接近；如果好评的店几乎不重叠，哪怕你们嘴上都说“好吃”，也没法互相推荐。

余弦相似度把每个用户的喜好想象成高维空间里的一个向量：每个物品是一根坐标轴，坐标值就是用户的评分。两个向量夹着一个小角，就代表两个人“朝着差不多的方向爱吃”。

另一种更朴素的尺子是 Jaccard 系数，它不看评分大小，只看重叠比例：两个人共同喜欢的东西，占他们所有喜欢过的东西的比例有多大。

还有第三把尺子：皮尔逊相关系数。它先减去每个用户自己的平均分，再做余弦计算，相当于“去中心化”。好处是能消除打分手松手紧的偏差——有人习惯全打五星，有人严格只给三星，皮尔逊看的是“相对偏好”而不是绝对分数。选哪把尺子取决于数据：0/1 行为多用余弦或 Jaccard，显式评分场景推荐皮尔逊。

K近邻选择

微信好友几百人，但你挑饭搭子从来只问两三个——朋友不是越多越好，口味极度相似的那几个才有参考价值。UserCF 也一样：相似度算完之后，不是把所有人都拉进来投票，而是选出前 K 个最像的邻居。

K 是一个需要调的超参数。K 太小，比如只有 1，你的推荐完全押在一个朋友身上，他偶尔吃错一家店你就跟着踩雷；K 太大，把相似度只有 0.1 的“点头之交”也拉进来，他们的口味会稀释你的个性，推荐结果会越来越接近全站热门。经典实验中 K 通常取 50 到 200 的量级，具体数值靠离线评测（如召回率、覆盖率）来定。

选出邻居后还有两件事：筛选和加权。筛选是指只保留相似度大于 0 的用户，并把行为质量差的账号排除掉——刷单的、注册即僵尸的号，行为是噪声，不是信号。加权是指在后续评分时，用相似度本身作为权重：越像的朋友，他说的话越有分量。

K 值的选择就像组饭局：只叫一个朋友容易没得选，把整栋楼都叫上又众口难调。找到那“最懂你的几个人”，是 UserCF 效果好坏的分水岭。

TopN推荐

假设你最后问了五个朋友，大家七嘴八舌报店名。你心里会默默加权：最懂你口味的那个人推荐 A 店，你立刻记下；关系一般的朋友推荐 B 店，你半信半疑。最终选哪家，取决于“谁说的”。

候选集的构建很简单：把 K 个邻居交互过的所有物品取并集，再去掉你已经消费过的那些，剩下的就是候选池。注意，你要的是“新东西”，已经吃过的店再推荐给你毫无意义。

接下来对候选池里的每个物品打分，公式如下：

把所有候选物品的分数算完后，取 TopN 返回给用户。这就是“朋友投票”的自动版：每个人的票权不同，最懂你的人票最重，最后按得票排名端出推荐清单。

冷启动应对

新加的朋友没有一起吃过饭，你无法判断他口味；一家新开的店还没人去过，朋友也没法向你推荐。UserCF 的现实尴尬就在这里：没有历史行为，一切相似度都无从谈起。

新用户冷启动的常规做法是“先用热门垫底”。用户刚注册没有行为，系统先推全站热榜 Top 100，同时引导用户勾选兴趣标签、关注几个达人，快速积累第一份画像；等行为记录够厚（比如几十次点击或收藏），再无缝切换到 UserCF。这就像第一次见面先聊大众话题，熟悉之后再聊私人口味。

新物品冷启动则是 UserCF 的硬伤：一件刚上架的商品几乎没人交互过，它进不了任何人的候选集，UserCF 天生看不到它。工业界的对策是让其他模块补位——用 ItemCF（找相似物品）把新物品关联到老物品上，或者用内容特征（标题、封面、类目）做一轮召回。

冷启动的本质是“没有历史就没有相似”。所以系统要用热门榜单、内容特征、人工运营先铺一层垫子，等行为数据积累起来，再把接力棒交给 UserCF。理解了这一点，你就知道推荐系统从来不是单一模型单打独斗，而是多个策略协同作战。

工程实现

把 UserCF 从饭局变成流水线，首先就要面对规模问题：一亿用户两两计算相似度，是 \(10^{16}\) 量级的运算，任何在线请求都扛不住。工程上最经典的分层是“离线算表、在线查表”。

离线计算阶段，每天或每小时用 Spark 之类的批处理框架，把日志聚合成“用户 × 物品”矩阵，跑一遍相似度计算，输出每个用户的 Top-K 近邻表，写进 KV 存储或向量数据库。这个过程不要求实时，可以用很重的计算资源慢慢磨。

在线召回阶段，用户打开 App 时，系统直接查表取出他的 K 个邻居，再把这些邻居交互过的物品取并集、过滤已看过的，用评分公式排序，几十毫秒内返回 TopN。整个过程没有重计算，只有查表和排序，这就是“空间换时间”的典型做法。

增量更新负责保持新鲜度：新日志持续写入消息队列，周期性回流到离线任务，或者用轻量近线任务每小时刷新相似度表。用户兴趣在变，昨天的邻居可能今天就不准了。离线重算保准确，在线查表保速度，增量回流保新鲜——三者配合，才是一套健康的 UserCF 生产线。

AI 应用场景

Python 演示

import mathfrom collections import defaultdict  class UserCF:    """基于用户的协同过滤: 找相似朋友, 借他们的口味做推荐."""     def __init__(self, data, k=2):        self.data = data          # 用户 -> 交互过的物品列表 (0/1 隐式反馈)        self.k = k                # 近邻数        self.user_list = list(data.keys())     def user_items(self, user):        return set(self.data.get(user, []))     def cosine_sim(self, ua, ub):        a_items = self.user_items(ua)        b_items = self.user_items(ub)        common = a_items & b_items        if not common:            return 0.0        return len(common) / math.sqrt(len(a_items) * len(b_items))     def neighbors(self, target):        scored = []        for other in self.user_list:            if other == target:                continue            sim = self.cosine_sim(target, other)            if sim > 0:                scored.append((sim, other))        scored.sort(reverse=True)        return scored[:self.k]     def recommend(self, target, top_n=3):        target_items = self.user_items(target)        scores = defaultdict(float)        for sim, other in self.neighbors(target):            for item in self.user_items(other):                if item in target_items:                    continue                scores[item] += sim        ranked = sorted(scores.items(), key=lambda x: x[1], reverse=True)        return [item for item, _ in ranked[:top_n]]  if __name__ == "__main__":    data = {        "小明": ["火锅", "烧烤", "奶茶"],        "小红": ["火锅", "蛋糕", "奶茶"],        "小刚": ["烧烤", "汉堡"],        "小丽": ["蛋糕", "奶茶", "汉堡"],        "小美": ["烧烤", "奶茶", "披萨"],    }    cf = UserCF(data, k=2)    for user in ["小明", "小丽"]:        print(user, "->", cf.recommend(user))

1. self.user_list = list(data.keys())提取所有用户名，作为待计算相似度的候选集合。
2. common = a_items & b_items集合交集一行代码算出两人共同交互过的物品。
3. len(common) / math.sqrt(len(a_items) * len(b_items))0/1 余弦相似度公式的落地实现。
4. scored.sort(reverse=True)按相似度降序排列，为取前 K 个近邻做准备。
5. scored[:self.k]只保留最像的 K 个用户，过滤掉弱相关邻居。
6. if item in target_items: continue关键去重：绝不推荐用户已经交互过的物品。
7. scores[item] += sim相似度作为权重累加到物品上，实现“票权不同”的加权投票。

常见误区

面试题