完整定義
協同過濾是一種廣泛使用的推薦系統技術,它基於這樣一個假設:如果使用者過去對某些項目有相似的偏好,那麼他們未來也可能對其他項目有相似的偏好。協同過濾透過收集和分析大量使用者行為數據(例如評分、購買記錄、瀏覽歷史)來預測使用者可能感興趣的項目。
白話說明
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。
記住這句
喜歡同一批東西的人,常會喜歡下一批東西。
比喻:協同過濾就像一群朋友在互相推薦:如果你和你的朋友都喜歡看同一部電影,那你的朋友推薦的下一部電影,你可能也會喜歡。它就是從大家的共同喜好中,找出你可能感興趣的東西,給你最貼心的建議。
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」。
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
演算法與應用
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
需要足夠的互動資料,否則很難找出可靠的相似性。
會,有機會只推越來越像的內容,所以產品常要加探索機制。
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。
出現在這些考古題
官方公告試題的逐題解析裡,這 2 題把協同過濾列為延伸術語。
相關術語
- 推薦系統Recommender System協同過濾就是推薦系統的核心方法之一
- 內容過濾推薦Content-based Filtering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Cold Start Problem協同過濾最常遇到的限制
- 矩陣分解Matrix Factorization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Cosine Similarity很多協同過濾方法會拿它來比對使用者或物品
- 矩陣分解推薦Matrix Factorization for Recommendations
本頁內容有提到,或屬於同一組主題的術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本