协同过滤（CF）是经典推荐模型，核心逻辑围绕用户或物品的相似性展开：通过挖掘用户历史行为数据（如评分、点击），识别偏好趋同的用户群体或特征相近的物品，为用户推送相似用户喜爱的内容，或与已交互物品匹配的新物品，其价值在于无需依赖物品内容信息，仅凭行为数据就能精准贴合用户偏好，落地成本较低，但也存在清晰边界：新用户、新物品因缺乏行为数据面临冷启动难题；数据稀疏时推荐精度骤降；易强化用户既有偏好，形成“信息茧房”，难以推送小众或创新性内容。