你有沒有覺得某些 App 推的內容，像是懂你朋友的口味一樣準？
你可以把協同過濾想成「看大家怎麼選，再推你可能喜歡的東西」：系統不一定懂商品本身，但它會觀察很多人的行為。
它重要的原因，是因為很多推薦不靠商品描述也能做得不錯，只要有足夠的使用者行為，就能找出品味相近的人和相近的物品。
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。