---
title: "推薦系統（Recommender System）"
slug: recommender-system
language: zh-TW
source: https://aiterms.tw/terms/recommender-system
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, 最佳化, 特徵工程]
ipas_term: false
---

# 推薦系統（Recommender System）

> **你打開影音平台時，會不會發現首頁早就幫你排好一堆你可能想看的內容？**
>
> 你可以把推薦系統想成先看你喜歡什麼，再把最可能有興趣的東西推到你面前。
> 它的目標不是幫你找答案，而是幫你發現下一個可能想要的內容。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 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
> **Q：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。
>
> **Q：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。
>
> **Q：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。

### 相關術語
> - **協同過濾**：先看它，你會知道推薦怎麼從群體行為學偏好。
> - **內容過濾推薦**：如果你想用物品特徵做推薦，這是很常見的方法。
> - **冷啟動問題**：推薦系統最常碰到的麻煩之一。
> - **點擊率預測**：很多推薦系統會把它當核心目標之一。
> - **矩陣分解推薦**：想看經典推薦做法時，這個很值得一起讀。

---

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