---
title: "協同過濾（Collaborative Filtering）"
slug: collaborative-filtering
language: zh-TW
source: https://aiterms.tw/terms/collaborative-filtering
updated_at: 2026-04-29
tags: [推薦系統, 機器學習, 資料處理, 模型評估, AI應用, Python程式, iPAS中級]
ipas_term: false
---

# 協同過濾（Collaborative Filtering）

> **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

> **Q：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。
>
> **Q：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。
>
> **Q：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。

### 相關術語

> - **推薦系統**：協同過濾就是推薦系統的核心方法之一
> - **內容過濾推薦**：最重要的對照概念，讀完能看出兩條路線差在哪
> - **冷啟動問題**：協同過濾最常遇到的限制
> - **矩陣分解**：理解它可以看懂協同過濾怎麼把相似性壓進向量空間
> - **餘弦相似度**：很多協同過濾方法會拿它來比對使用者或物品

---

來源：https://aiterms.tw/terms/collaborative-filtering
快查頁：https://aiterms.tw/terms/collaborative-filtering
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-collaborative-filtering