AITerms 登入
推薦系統自然語言處理特徵工程

內容過濾推薦(Content-based Filtering)是什麼?

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。

完整定義

內容過濾推薦是一種推薦系統方法,它通過分析用戶過去互動過的項目(例如,閱讀的文章、購買的商品、觀看的影片)的內容特徵,來建立用戶的偏好模型。然後,系統會將這些偏好與新項目的內容特徵進行匹配,並推薦與用戶偏好相似的項目。

白話說明

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。

記住這句

喜歡科幻,就先找科幻的相似特徵。

比喻:內容過濾推薦就像一個很了解你口味的餐廳服務生 -- 你喜歡吃辣、喜歡海鮮,他就會推薦你菜單上其他有辣味或海鮮的菜色,而不是看別人點什麼。

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」。

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

演算法與應用

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

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。

說法
內容過濾式推薦、基於內容的推薦
出現場合
台灣正式用語
說法
基于内容的过滤、基于内容的推荐
出現場合
簡體寫法
說法
Content-Based Filtering
出現場合
英文原名
說法
CBF
出現場合
縮寫
說法
內容導向推薦
出現場合
常見變體

跟協同過濾的差別

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。

靠什麼推薦
內容過濾
物品本身的屬性,加上這位使用者的歷史偏好
協同過濾
其他使用者的行為
新物品剛上架
內容過濾
有屬性就能推
協同過濾
沒人互動過,推不出來
新使用者剛註冊
內容過濾
一樣需要一點歷史才知道他喜歡什麼
協同過濾
一樣推不出來
推薦的多樣性
內容過濾
低,容易越推越像
協同過濾
高,能推出意料之外的東西
可解釋性
內容過濾
高,可以說「因為你看過同類型的」
協同過濾
低,只能說「跟你相似的人也看了」

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

出現在這些考古題

官方公告試題的逐題解析裡,這 1 題把內容過濾推薦列為延伸術語。

相關術語

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