根据我的经验，我认为这个答案是为 CF 算法准备数据的一般方法。我不知道你的数据的具体情况。

在为 CF 准备数据时，我会注意这些事情：

• 数据集大小和稀疏性- 有许多 CF 算法，它们根据数据集大小（用户和项目）及其数据密度给出不同的结果。简单的直觉：基于内存的 KNN 方法将遭受数据稀疏性的困扰，而在相同的设置下，MF 可以表现得更好。本文提供了很好的比较：协作过滤算法的比较研究. 此外，CF 方法可以不同地依赖于用户和项目的数量。为了减少稀疏性，您删除评级/点击次数低于所选阈值的项目/用户。这是一个迭代过程。正如问题中所说，当您删除特定项目/用户时，可能会发生不同的用户/项目分别低于阈值。出于研究目的，我什至准备了计算项目/用户阈值的函数，以便接收给定的稀疏度。
• 过滤异常用户和项目的意义中的异常值。那些可以极大地影响你的模型，但以错误的方式。在我的案例（电子商务网站）中，它是这样的案例：真正的重度用户 - 其他商店、收集数据的机器人（抓取脚本）、内部流量（黑名单 IP）、竞价自动化工具、有趣的报价喜欢网页。有人可以说这可以通过用户/项目偏见来消除。是的，只要您的 CF 方法使用它 :-)
• 数据集的正确切片。由于某些原因（例如计算），您必须将您的数据划分为较小的部分。这是合理的。分而治之的方法。但是在这种情况下，在执行此操作之前，请检查您是否没有通过这种切片丢失大量信息。下面是一个例子：我们按类别对商品进行切片，类别形成一个类别树，因此同一个叶子可以是几个主要类别的一部分。因此，按主要类别进行切片可能导致整个用户-项目交互中只有一部分与此叶类别中的一起查看/购买的项目有关。

根据我的经验，这些只是一些提示。但我希望这会有所帮助。

我将不胜感激任何编辑和分享结果:-)