3.3.3 协同过滤算法的优缺点
前面对协同过滤算法做了比较完备的讲解，也提到了协同过滤算法的一些特点，这里我们简单罗列一些协同过滤算法的优缺点，方便大家更进一步深入了解协同过滤算法。
优点：
协同过滤算有很多优点，总结下来最大的优点有如下几个
（1）算法原理简单、思想朴素
从前面的几节讲解中不难看出，协同过滤算法的实现非常简单，只要懂简单的四则混合运算，了解向量和矩阵的基本概念就可以理解算法的原理。估计在整个机器学习领域，没有比这个算法更直观简单的算法了。
协同过滤的思想是简单的“物以类聚，人以群分”的思想，相信大家都可以理解，正因为思想朴素，所以算法原理简单。
（2）算法易于分布式实现、可以处理海量数据集
协同过滤算法可以非常容易利用 Spark 分布式平台来实现，因此可以通过增加计算节点很容易处理大规模数据集。
（3） 算法易于工程化实现
协同过滤算法是得到工业界验证过的一类重要算法，在 Netflix、Google、Amazon
及国内大型互联网公司都有很好的落地和应用。
（4）能够为用户推荐出多样性、新颖性的物品
前面讲到协同过滤算法是基于群体智慧的一类算法，它利用群体行为来做决策。在实践中已经被证明可以很好地为用户推荐多样性、新颖性的标的物。特别是当群体规模越大，用户行为越多，推荐的效果越好。
（5） 协同过滤算法只需要用户的行为信息，不依赖用户及标的物的其他信息
从前面的算法及工程实践中大家可以知道，协同过滤算法只依赖用户的操作行为，不依赖具体用户相关和标的物相关的信息就可以做推荐，往往用户信息和标的物信息 都是比较复杂的半结构化或者非结构化的信息，处理起来很不方便。这是一个极大的 优势，正因为这个优势让协同过滤算法在工业界大放异彩。
缺点：
除了上面介绍的这些优点外，协同过滤算法也存在一些不足的方面，具体来说，在下面这些点，协同过滤算法存在软肋，有提升和优化的空间。
（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，这时相当于用户行 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，该标的物也不会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，可以采用人工的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解决该标的物无法被推荐出去的问 题。
（2）稀疏性问题
对于现代的互联网产品，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。