---
title: "內容過濾推薦（Content-based Filtering）"
slug: content-based-filtering
language: zh-TW
source: https://aiterms.tw/terms/content-based-filtering
updated_at: 2026-04-29
tags: [推薦系統, 自然語言處理, 特徵工程, AI應用, 機器學習, 資料處理]
ipas_term: false
---

# 內容過濾推薦（Content-based Filtering）

> **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

> **Q：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。
>
> **Q：它和協同過濾哪個比較好？**
>
> 沒有絕對，常見做法是混合兩者。
>
> **Q：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。

### 相關術語

> - **協同過濾**：最重要的對照概念，讀完就能看出兩種推薦思路
> - **冷啟動問題**：內容過濾常用來補這個洞
> - **推薦系統**：了解這個總框架，才知道內容過濾在幹嘛
> - **餘弦相似度**：常用來比較內容向量的接近程度
> - **嵌入表示**：把內容轉成可比對向量時很常用

---

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