---
title: "基於會話推薦（Session-based Recommendation）"
slug: session-based-recommendation
language: zh-TW
source: https://aiterms.tw/terms/session-based-recommendation
updated_at: 2026-04-29
tags: [機器學習, 深度學習, 推薦系統, 模型訓練, 模型評估, AI應用, 資料處理, 神經網路, 時序分析]
ipas_term: false
---

# 基於會話推薦（Session-based Recommendation）

> **你有沒有在新訪客在電商網站逛了三個商品，你想立刻推薦下一個可能會買的東西，發現只看表面常常不夠？**
>
> 你可以把它想成只看當下這一段行為，不靠長期歷史，也能猜使用者下一步。
>
> 很多人第一次來站上就會有需求，這時候沒有長期資料，也要能即時推薦。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **傳統協同過濾**
> 傳統協同過濾像個老朋友，需要很了解你的長期偏好（看過什麼電影、買過什麼書）才能推薦。
> 基於會話推薦則像個敏銳的新店員，就算你是新客，只要看你當下的瀏覽行為，就能即時推薦。
>
> 最關鍵的區別：先看它是在比意思、比結構，還是在做任務輸出。

### 記住這句就好
> 只看這一段逛站行為來推薦，就是基於會話推薦。

### 實際案例
> 使用者先看藍牙耳機，再看保護殼，系統就能順勢推同系列配件。
> 影音平台看到你連續點開兩部科幻片，就先推類似題材的作品。

### 算法與應用
> 常見做法會把 session 內的點擊序列丟進 RNN、Transformer 或圖模型。
> 它重視短期興趣和即時上下文，特別適合冷啟動或匿名使用者。

### 情境判斷
> **Q1（直覺題）：** 新客人第一次進站，沒有歷史資料，還能推薦嗎？
>
> → 可以。這正是它擅長的場景，只看當下行為也能做推薦。
>
> **Q2（判斷題）：** 如果你非常在意長期偏好，例如年齡、地區、過去購買紀錄，還只看 session 嗎？
>
> → 看情況。若長期偏好很重要，通常要和長期推薦系統一起用。

### 常見問題
> **Q：基於會話的推薦系統與傳統推薦系統有什麼區別？**
> 基於會話的推薦系統與傳統推薦系統的主要區別在於，基於會話的推薦系統僅依賴於使用者當前會話內的行為序列來進行推薦，而傳統推薦系統則需要使用者的長期歷史資料或個人資訊。因此，基於會話的推薦系統能夠更好地保護使用者隱私，並解決新使用者和新項目的冷啟動問題。
>
> **Q：如何評估基於會話的推薦系統的效能？**
> 常用的評估指標包括：1) 點擊率 (Click-Through Rate, CTR)：衡量使用者點擊推薦項目的比例。2) 召回率 (Recall)：衡量模型找到使用者感興趣的項目的能力。3) 精度 (Precision)：衡量模型推薦的項目中，使用者真正感興趣的項目的比例。4) 平均倒數排名 (Mean Reciprocal Rank, MRR)：衡量模型將使用者感興趣的項目排在前面的能力。5) 歸一化折損累積增益 (Normalized Discounted Cumulative Gain, NDCG)：衡量模型推薦結果的排序質量。
>
> **Q：基於會話的推薦系統有哪些挑戰？**
> 基於會話的推薦系統面臨的挑戰包括：1) 會話資訊有限：會話通常較短，包含的資訊有限，難以準確推斷使用者的意圖。2) 使用者行為複雜：使用者行為受到多種因素的影響，難以建模。3) 冷啟動問題：對於新的使用者和項目，缺乏歷史資料，難以進行推薦。4) 探索與利用的平衡：需要在探索新項目和利用已知資訊之間取得平衡。5) 多樣性：推薦結果應該具有一定的多樣性，避免推薦過於相似的項目。

### 相關術語
> - **推薦系統**：基於會話推薦是推薦系統裡很重要的一支。
> - **協同過濾**：它是傳統推薦方法，適合和 session-based recommendation 對照。
> - **深度協同過濾**：如果你想看深度模型怎麼接上推薦，這個很適合。
> - **矩陣分解推薦**：短期會話和長期偏好常常在這裡交會。
> - **冷啟動問題**：新使用者推薦問題，最能凸顯 session-based 的價值。

---

來源：https://aiterms.tw/terms/session-based-recommendation
快查頁：https://aiterms.tw/terms/session-based-recommendation
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-session-based-recommendation