推薦系統

推薦系統會從產品互動與項目資訊中學習，並對個人可能認為有用的項目進行排序。其輸出可用於搜尋建議、首頁排序、通知選擇或商品陳列，而不限於單一的「你可能也喜歡」小工具。

協同過濾 #

協同過濾使用跨使用者與項目的模式來推薦項目。互動可以是明確評分，也可以是點擊、觀看時間、購買、儲存或略過等隱含訊號。對於 \(n\) 位使用者與 \(m\) 個項目，可以將觀察結果表示為稀疏的 \(n \times m\) 互動矩陣。

以使用者和以項目為基礎的方法會比較互動模式，以找出相似的使用者或項目。矩陣分解則會學習較低維度的使用者與項目向量，並以兩者的內積估計親和度。現代系統常使用這些嵌入來產生候選項目，之後再交由資訊更豐富的排序模型處理。

資料稀疏、熱門度偏誤，以及新使用者或新項目都是實務挑戰。評估方式也應符合產品目標：離線評分誤差不等同於排序推薦清單的品質。

內容式過濾 #

內容式過濾使用項目本身的屬性，例如類別、文字、創作者、價格或影像嵌入。項目尚未累積互動前，它便能推薦該項目，並可透過共同屬性說明推薦結果。其限制在於，它傾向推薦與使用者已消費內容相似的項目，因此可能減少探索機會。

混合式系統 #

正式環境中的系統通常會結合協同訊號與內容訊號。內容特徵有助於處理冷啟動，協同訊號能掌握集體行為，而業務限制則可強制要求可用性、多樣性、安全性或公平性。推薦系統應使用經同意取得的資料、避免將含有雜訊的行為訊號視為確定的偏好，並監控回饋迴圈。