协同过滤（CF）是一种广泛使用的推荐系统技术，但它存在一些显著的局限性。第一个主要问题是冷启动问题，当系统缺乏关于新用户或新项目（item）的足够数据时就会出现这个问题。例如，一个尚未评价或与项目互动过的新用户将不会收到个性化推荐，因为 CF 依赖于历史行为来寻找模式。同样，一个没有任何用户互动的新增项目也不会被推荐，即使它高度相关。这一局限性迫使开发者依赖混合方法（例如，将 CF 与基于内容的过滤结合）或临时解决方案，例如预先要求用户评价项目。
另一个关键的局限性是数据稀疏性和可扩展性。在大型系统，如电商平台或流媒体服务中，用户-项目互动矩阵通常极其稀疏——大多数用户只与可用项目的一小部分进行互动。例如，一个用户可能只评价了 10000 部电影中的 10 部，这使得在用户之间找到有意义的相似性变得困难。稀疏数据会导致推荐准确性差，因为算法难以推断偏好。此外，传统的 CF 方法（如基于邻居的方法）会随着用户和项目数量的增长而计算成本变得高昂。矩阵分解技术有所帮助，但在大型系统中进行实时更新时仍然面临挑战。
最后，CF 通常难以处理小众或不受欢迎的项目，并且会加剧流行度偏差。由于 CF 优先推荐互动次数最多的项目，热门项目会更频繁地被推荐，这会形成一个反馈循环，导致知名度较低的项目被忽视。例如，一个音乐平台可能会反复推荐排行榜上的热门歌曲，而忽略拥有较小听众群体的独立艺术家。这种偏差限制了发现机会，并降低了推荐的多样性。此外，CF 缺乏透明度——它不会解释为什么推荐某个项目（例如，“因为与您相似的用户也喜欢这个”）。开发者可能需要加入可解释性特性或将 CF 与其他方法结合，以解决这些缺点，同时保持用户信任。