協同過濾 是什麼？

Collaborative Filtering — 協同過濾 的完整解釋

協同過濾是一種推薦系統技術，透過分析使用者行為或偏好，預測使用者可能感興趣的項目，例如商品、電影或音樂。

容易混淆

協同過濾 vs 內容過濾 vs 熱門推薦

協同過濾：看相似使用者的行為，推你可能喜歡的項目

內容過濾：看物品本身特徵，再找相似內容

熱門推薦：不管你是誰，先推大家都常看的東西

最關鍵的區別：協同過濾是看「人和人的品味關係」，內容過濾是看「物品特徵」。

記住這句就好

喜歡同一批東西的人，常會喜歡下一批東西。

實際案例

影音平台首頁

前：每個人都看到一樣的熱門片單，內容很雜

後：系統找出和你觀看習慣相似的人，再把他們看過的片單推薦給你

電商商品推薦

前：只看商品標題和分類，很難抓住真實偏好

後：分析點擊、收藏、購買等互動，去推測哪些商品會被同類型使用者接受

算法與應用

協同過濾常分成使用者基礎與物品基礎兩種做法，也常搭配矩陣分解、鄰居搜尋與相似度計算

它適合有大量互動資料的場景，但對新使用者、新商品和資料稀疏特別敏感

在產品上，它常和內容過濾混合，先解決冷啟動，再用行為資料提升精準度

情境判斷

Q1（直覺題）： 你看到某平台一直推薦和你看過的電影很像的片子，這比較像協同過濾嗎？

→ 比較像。因為它主要在利用使用者行為模式，而不是只看電影類型。

Q2（判斷題）： 如果一個新平台幾乎沒有使用紀錄，協同過濾還能直接很準嗎？

→ 通常不行。這就是冷啟動問題，資料太少時，協同過濾的效果會明顯變差。

常見問題

協同過濾一定要很多人嗎？

需要足夠的互動資料，否則很難找出可靠的相似性。

協同過濾會不會把人困在同溫層？

會，有機會只推越來越像的內容，所以產品常要加探索機制。

協同過濾和矩陣分解有什麼關係？

矩陣分解是常見的協同過濾實作方式之一，尤其在大規模推薦裡很常見。