搜尋意圖： 如果你在找「內容過濾推薦 是什麼」或「內容過濾推薦 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 內容過濾推薦是一種推薦系統方法，它基於用戶過去互動過的項目內容特徵，向用戶推薦相似的項目。它分析項目描述，並匹配用戶偏好。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 內容過濾式推薦、基於內容的推薦 | 台灣正式用語 |
| 基于内容的过滤、基于内容的推荐 | 簡體寫法 |
| Content-Based Filtering | 英文原名 |
| CBF | 縮寫 |
| 內容導向推薦 | 常見變體 |
注意「內容過濾」在資安與網路管理的脈絡下是另一個意思（阻擋不當網站內容），跟推薦系統的內容過濾無關。
跟協同過濾的差別
| 內容過濾 | 協同過濾 | |
|---|---|---|
| 靠什麼推薦 | 物品本身的屬性，加上這位使用者的歷史偏好 | 其他使用者的行為 |
| 新物品剛上架 | 有屬性就能推 | 沒人互動過，推不出來 |
| 新使用者剛註冊 | 一樣需要一點歷史才知道他喜歡什麼 | 一樣推不出來 |
| 推薦的多樣性 | 低，容易越推越像 | 高，能推出意料之外的東西 |
| 可解釋性 | 高，可以說「因為你看過同類型的」 | 低，只能說「跟你相似的人也看了」 |
冷啟動（cold start）是這個比較的核心。內容過濾解決的是物品冷啟動：新片剛上架、新商品剛開賣，靠類型、標籤、描述文字就能開始推。它解決不了使用者冷啟動，因為仍然需要知道這個人喜歡什麼。
實作方式與它的天花板
最經典的做法是把物品的文字描述做 TF-IDF 向量化，把使用者過去喜歡的物品向量平均成一個使用者輪廓向量，再用餘弦相似度找最近的物品。現在多半改用嵌入模型（embedding）取代 TF-IDF，語意比對更準，也能處理跨語言與同義詞。
它有兩個結構性限制：
過度專門化（over-specialization）：只會推跟過去看過的東西相似的內容，使用者被鎖在同溫層裡，看不到新類型。實務上要刻意加入探索機制，例如保留一定比例的隨機或跨類推薦。
推薦品質受限於屬性品質：物品的標籤打得爛，推薦就爛。這也是為什麼很多平台在後台投入大量人力維護內容標籤。
因為這兩個限制，成熟的推薦系統幾乎都是混合式（hybrid）：用內容過濾接住冷啟動與長尾，用協同過濾提供多樣性，再用排序模型把兩邊的候選合併打分。
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。