你有沒有發現，某些平台只要你喜歡一種東西，就一直推相似款？
你可以把內容過濾推薦想成「看物品本身長什麼樣，再推相似的給你」：它先分析商品或內容特徵，再對照你已經喜歡的東西。
它很重要，因為有些場景不容易取得大量使用者行為，但內容特徵通常比較容易拿到，像標題、類別、描述、圖片和標籤。
容易混淆
內容過濾推薦 vs 協同過濾 vs 規則推薦
內容過濾推薦：看物品特徵，推薦相似內容
協同過濾：看相似使用者的行為，推薦可能喜歡的項目
規則推薦：人手寫規則，像「買手機就推保護貼」
最關鍵的區別：內容過濾推薦看的是「物品像不像你已經喜歡的東西」。
記住這句就好
喜歡科幻，就先找科幻的相似特徵。
實際案例
新聞 App
前：只看大家點了什麼，熱門內容容易蓋過個人興趣
後：分析你常看的標題、主題與作者風格，再推相似文章
影音串流平台
前：使用者互動少時，推薦效果不穩
後：先看影片類型、演員、標籤和簡介，讓新內容也能被推薦出去
算法與應用
內容過濾常搭配向量表示、文本特徵、圖片特徵和相似度計算
在實作上，最常見的工作是先把內容轉成可比較的表示，再找和使用者興趣最接近的項目
它對新物品通常比協同過濾友善，但若內容標籤很爛，推薦也會一起爛掉
情境判斷
Q1（直覺題）： 你喜歡某位作家的文章，系統之後一直推同作者的文章，這像內容過濾嗎？
→ 像，因為它在看內容本身的相似性。
Q2（判斷題）： 如果一個新商品沒有任何使用紀錄，但有完整標題和分類，內容過濾還能工作嗎？
→ 可以，這正是它比協同過濾更能處理新物品的地方。
常見問題
內容過濾一定要文字嗎？
不一定，也可以用圖片、音訊和其他特徵。
它和協同過濾哪個比較好？
沒有絕對，常見做法是混合兩者。
為什麼有時候內容推薦很單調？
因為它容易只抓住已知偏好，探索能力比較弱。