推薦系統 是什麼？

Recommender System — 推薦系統 的完整解釋

推薦系統是一種利用演算法預測使用者對物品偏好的資訊過濾系統，旨在幫助使用者發現感興趣的內容，並提升平台互動與銷售。

容易混淆

推薦系統 vs 搜尋引擎 搜尋引擎是你主動輸入關鍵字去找東西。 推薦系統是系統主動把內容送到你面前。 最關鍵的區別：一個靠你搜尋，一個靠系統推送。

推薦系統 vs 排序系統 排序系統重點是把候選項目排出順序。 推薦系統除了排序，還要決定推薦什麼給誰。 最關鍵的區別：一個排已知候選，一個先決定候選。

推薦系統 vs 個人化規則 個人化規則常是手工寫好的條件。 推薦系統通常會從資料中學出偏好模式。 最關鍵的區別：一個人工規則，一個資料驅動。

記住這句就好

不是你去找內容，而是系統猜你會想看什麼。

實際案例

影音平台首頁 平台會根據你最近看的片單和停留時間，挑出你可能會點的影片。 這樣可以提高點擊率和留存。

電商商品頁 使用者看完一件外套後，系統會推薦相似商品、搭配商品或常一起買的商品。 這能幫助使用者更快找到想要的東西，也能提高轉換。

算法與應用

推薦系統常見做法有協同過濾、內容過濾推薦、矩陣分解和混合式推薦。 如果資料夠多，還會把點擊率預測、排序模型和上下文特徵一起用。 冷啟動問題很常見，因為新使用者或新物品一開始沒有足夠行為資料。

情境判斷

Q1（直覺題）： 你想讓平台主動推薦使用者可能喜歡的影片，該用什麼？

→ 用推薦系統，因為它就是在做主動推送和偏好預測。

Q2（判斷題）： 如果一個系統只是把使用者輸入的搜尋結果排序好，這就算完整的推薦系統嗎？

→ 不一定，因為推薦系統通常還要處理「推薦什麼」的問題，不只是排序已知結果。

常見問題

推薦系統一定要用深度學習嗎？

不一定，很多場景用協同過濾或矩陣分解就已經很有效。

新商品沒有資料怎麼辦？

這就是冷啟動問題，常要靠內容特徵、人工規則或混合策略先撐起來。

推薦系統和廣告系統一樣嗎？

不是完全一樣，但兩者都常會用到排序、點擊率預測和個人化特徵。