完整定義
推薦系統是一種資訊過濾系統,它利用演算法和數據分析,預測使用者對特定物品或內容的偏好。其目標是為使用者提供個性化的推薦,幫助他們發現感興趣的內容,同時提升平台的用戶參與度、內容消費量和銷售額。推薦系統廣泛應用於電商、影音平台、社交媒體等領域。
白話說明
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。
記住這句
不是你去找內容,而是系統猜你會想看什麼。
比喻:推薦系統就像一個很懂你的貼心朋友 -- 它會根據你以前喜歡的、看過的,還有跟你類似的人喜歡的,來推薦你可能會有興趣的電影、商品或文章。
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。
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。
演算法與應用
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
不一定,很多場景用協同過濾或矩陣分解就已經很有效。
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。
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。
出現在這些考古題
官方公告試題的逐題解析裡,這 2 題把推薦系統列為延伸術語。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本