在推荐系统中，协同过滤算法的核心思想是什么？请说明其在推荐系统中的具体应用方式。

回答思路

1. 【回答框架 1】协同过滤是一种基于群体行为的推荐算法，核心是利用用户或物品之间的相似性进行推荐，分为基于用户的协同过滤和基于物品的协同过滤两类。
2. 【回答框架 2】基于用户的协同过滤先计算用户间相似度，找出目标用户的相似用户群，再推荐相似用户喜欢的物品；基于物品的协同过滤则计算物品间相似度，推荐与用户历史偏好相似的物品。
3. 【回答框架 3】在推荐系统中应用时，需构建用户-物品评分矩阵，通过余弦相似度、皮尔逊相关系数等计算相似度，然后预测评分并生成推荐列表，还需考虑冷启动、稀疏性等问题。
4. 【回答框架 4】实际应用中常结合隐式反馈、矩阵分解或混合推荐来提升效果，且需注意算法在不同业务场景下的适用性和可扩展性。
5. 【回答框架 5】协同过滤不依赖内容特征，能发现潜在兴趣，但冷启动和稀疏性问题显著，需结合其他策略优化。
6. 【关键点 1】协同过滤分为基于用户和基于物品两种，核心是相似度计算。
7. 【关键点 2】应用需基于用户-物品交互矩阵，使用相似度度量生成推荐。
8. 【关键点 3】存在冷启动和稀疏性问题，需结合内容或混合推荐。
9. 【关键点 4】常采用离线计算相似度、在线推荐，并考虑实时性。
10. 【关键点 5】可结合矩阵分解等技术提升精度和扩展性。
11. 【易错点 1】混淆基于用户与基于物品的适用场景，用户多时物品方法更高效。
12. 【易错点 2】忽略冷启动问题，新用户或新物品无法有效推荐。
13. 【易错点 3】仅依赖显式评分，忽视隐式反馈导致数据稀疏。