协同过滤又分为两个分支：基于用户的协同过滤（找到和你相似的用户）和基于物品的协同过滤（找到和你喜欢的物品相似的其他物品）。未来的发展方向可能包括：更好的可解释性（用户需要知道为什么推荐这个物品），更强的公平性（避免算法偏见），更高的效率（在移动设备上运行复杂模型），以及更好的隐私保护（联邦学习等技术）。矩阵分解解决了早期协同过滤的稀疏性和可扩展性问题，深度学习解决了矩阵分解的线性假设限制，注意力机

参考书籍《深入浅出隐私计算》 - 李伟荣《隐私计算》 - 陈凯, 杨强结合大模型工具，以此笔记，记录自己的学习过程。

差分隐私概念的理解