4.6.2　缺点

除了上面介绍的这些优点以外，协同过滤算法也存在一些不足，具体来说，在下面这些问题上，协同过滤算法存在软肋，有提升和优化的空间，或者需要借助其他算法进行补充完善。

1.冷启动问题

协同过滤算法依赖用户的行为来为用户做推荐，如果用户行为少（比如新用户、新上线的产品或者用户规模不大的产品），这时就很难发挥协同过滤算法的优势和价值，甚至根本无法为用户做推荐。这时可以采用基于内容的推荐算法作为补充。

另外，对于新入库的标的物，由于只有很少的用户操作行为，因此相当于用户行为矩阵中该标的物对应的列基本都是零，这时无法计算出该标的物的相似标的物，同时，该标的物也很难出现在其他标的物的相似列表中，因此无法将该标的物推荐出去。这时，可以采用人工策略将该标的物在一定的位置曝光，或者强行以一定的比例或者概率加入推荐列表中，通过收集该标的物的行为（让用户行为矩阵中该标的物对应的列有更多的非零元素）解决该标的物无法被推荐出去的问题。

4.7.5节会更加详细地介绍协同过滤的冷启动解决方案。另外，第8章会专门讲解各类解决冷启动问题的技术方案。

2.稀疏性问题

对于现代互联网产品，用户基数大，标的物数量多（特别是新闻、UGC短视频类产品），一般用户只对很少量的标的物产生操作行为，这时用户操作行为矩阵是非常稀疏的，太稀疏的行为矩阵计算出的标的物相似度往往不够精准，最终影响推荐结果的精准度。

3.标的物时效性及快速增长问题

很多产品的标的物是有时效性的（比如新闻类APP），并且标的物数量是快速增长的（比如短视频类APP）。对于有时效性的标的物，在具体推荐时需要考虑到时效性。在为某个标的物计算最相似的标的物时，只计算在时效范围内的标的物，并以此作为相似列表即可，在进行推荐时会过滤不在时效范围内的标的物。对于标的物数量快速增长的情况，最好用近实时的协同过滤，以应对当天新增的标的物无法被推荐出去的问题。