---
title: "內容過濾推薦（Content-based Filtering）"
slug: content-based-filtering
language: zh-TW
source: https://aiterms.tw/terms/content-based-filtering
updated_at: 2026-07-29
tags: [推薦系統, 自然語言處理, 特徵工程, AI應用, 機器學習, 資料處理]
ipas_term: false
---

# 內容過濾推薦（Content-based Filtering）

> **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」 |

> <strong>冷啟動（cold start）</strong>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

> **Q：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。
>
> **Q：它和協同過濾哪個比較好？**
>
> 沒有絕對，常見做法是混合兩者。
>
> **Q：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。

### 相關術語

> - **協同過濾**：最重要的對照概念，讀完就能看出兩種推薦思路
> - **冷啟動問題**：內容過濾常用來補這個洞
> - **推薦系統**：了解這個總框架，才知道內容過濾在幹嘛
> - **餘弦相似度**：常用來比較內容向量的接近程度
> - **嵌入表示**：把內容轉成可比對向量時很常用

---

來源：https://aiterms.tw/terms/content-based-filtering
快查頁：https://aiterms.tw/terms/content-based-filtering
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-content-based-filtering