推薦系統一開始不準，不是壞掉：從冷啟動到過濾氣泡的完整判讀

作者｜瞻新資訊　張安邦執行長（台大醫工背景・十年以上IT服務公司創辦人）

一個新上線的電商網站，老闆滿心期待推薦系統能幫忙賣東西，結果打開網站一看，每個使用者看到的為你推薦清單幾乎一樣，全是熱門商品。這不是系統做壞了，而是推薦系統上線初期常見的現象。這篇文章會用白話講清楚推薦系統是什麼、怎麼運作，也會誠實談兩個多數文章不會提醒你的限制：為什麼一開始不準、為什麼太準也不見得是好事。

推薦系統是什麼？先講白話版本

白話講，推薦系統是一套幫你猜你會喜歡什麼的機制。它透過分析你過去看過什麼、買過什麼、跟哪些商品互動過，或是分析商品本身的特性，猜測你接下來可能對什麼東西感興趣，主動把這些東西推到你面前。

正式一點講，推薦系統是一種資訊過濾機制，目的是推測使用者的偏好，藉以達成提升使用者黏著度、增加商品購買率等商業目標。在電商、訂房網站這類平台上，推薦系統的成效好壞，往往跟營收表現直接相關。業界分析與報導中廣泛引用的數字顯示，這並非官方公布的正式統計，但被業界普遍拿來說明推薦系統的商業重要性，Amazon的商品推薦貢獻了相當比例的整體銷售額，Netflix的推薦機制也帶動了平台上絕大多數的觀看時數。這類數字的精確性雖然無法逐一查證到官方源頭，但方向是一致的：對商品或內容數量夠多的平台來說，推薦系統做得好不好，會直接反映在營運數字上。

推薦系統怎麼運作？兩種主要邏輯

推薦系統背後的演算法邏輯，主要分成兩大類。

內容過濾（Content-based Filtering）：以商品本身的內容為基礎，分析商品跟商品之間的關聯性，把商品做分類。舉例來說，你看過一部科幻電影，系統就傾向推薦其他科幻類型的電影給你。這種做法不需要大量使用者互動資料就能運作，對新上架的商品也比較友善。

協同過濾（Collaborative Filtering）：利用使用者跟商品之間的互動矩陣，找出相似的使用者或相似的商品，來預測推薦。協同過濾又分兩種子類型：User-Based（計算使用者之間的相似程度，把相似用戶喜歡的東西推薦給你）與Item-Based（計算商品之間的相似程度，把跟你買過的東西相似的商品推薦給你）。這種做法在資料量足夠時效果通常較好，但需要一定規模的使用者互動資料才能運作。

內容過濾 vs 協同過濾，差在哪

類型	內容過濾（Content-based）	協同過濾（Collaborative Filtering）
依據	商品本身的內容特徵	使用者與商品之間的互動矩陣
資料需求	不需要大量使用者行為資料	需要足夠的使用者行為或評分資料
冷啟動表現	對新商品友善（不需要他人先互動過）	對新使用者、新商品都不友善
缺點	容易讓推薦內容過於單一	資料稀疏時（商品多、使用者少）預測容易失真

實務上，多數成熟的推薦系統不會只用單一種邏輯，而是混合使用內容過濾與協同過濾，截長補短。但對剛開始考慮導入推薦系統的中小型網站來說，理解這兩種邏輯的基本差異，有助於判斷自己現有的資料條件比較適合從哪一種邏輯起步。

推薦系統一開始不準，是正常的：冷啟動問題

前面提到的新電商網站情境，在技術上有個專有名詞：冷啟動問題（Cold Start Problem）。這是幾乎所有推薦系統都會遇到的長期挑戰，當新使用者或新商品加入系統時，因為缺乏足夠的歷史互動資料，系統很難做出真正個人化的推薦，通常只能先給出熱門排行、最新上架這類通則性建議，直到累積足夠的資料之後，才能真正做到個人化。

冷啟動問題其實分兩種：新使用者的冷啟動，系統不知道這個人喜歡什麼；新商品的冷啟動，系統不知道這個商品適合推薦給誰。這不是系統設計錯誤，而是推薦系統這類技術本質上的限制，沒有資料可以學習，就沒辦法做出有意義的個人化判斷。實務上，比較務實的因應方式，是在資料還不夠的階段，先用熱門商品、最新上架這類通則性推薦頂著，同時持續累積使用者的瀏覽、購買、收藏等行為資料，等資料量夠了，再逐步把權重轉向個人化推薦。

推薦太準，也有代價：過濾氣泡

跟冷啟動問題相反的另一個限制，是過濾氣泡（Filter Bubble）。當推薦系統對你的喜好掌握得太精準，持續只推薦你已經感興趣的同類型內容，反而會讓你的視野被侷限在既有的興趣範圍內，錯過原本可能感興趣、卻不在系統判斷範圍裡的新事物。

這個現象在內容過濾類的系統裡尤其明顯，因為它的推薦邏輯本來就是找相似的東西推給你，天生就有讓內容越推越同質化的傾向。對經營者來說，過濾氣泡不只是使用者體驗的問題，長期來看也可能影響使用者對平台內容多樣性的觀感，甚至讓使用者錯過原本可能促成購買的其他商品類型。因應這個問題，比較成熟的做法是在推薦結果裡刻意保留一定比例的多樣性或意外發現內容，不讓推薦清單完全被同質化的內容佔滿。

我的網站或APP需要推薦系統嗎？怎麼判斷

不是每個網站都需要推薦系統。判斷的關鍵，在於商品或內容的數量，以及使用者行為資料能不能持續累積，這也是數位轉型規劃裡經常被低估的一環，不是先導入工具，而是先確認資料基礎夠不夠。

如果你的網站商品或內容數量夠多，例如幾百件商品以上，使用者也有一定的瀏覽、購買、收藏等互動頻率，推薦系統能發揮的效益通常比較明顯，它能幫使用者從大量選項裡快速找到可能感興趣的東西，也能幫平台提升轉換率與客單價。但如果你的商品項目很少，例如只有十幾項服務或產品，導入推薦系統的邊際效益有限，這種情況下，由人工整理的精選推薦，可能比投入資源開發推薦系統更實際、更划算。真的要導入時，後台系統要不要一併規劃資料蒐集與管理的角色，也值得一併考慮。

FAQ

參考資料

1 Measuring the Business Value of Recommender Systems｜arXiv學術論文｜https://arxiv.org/pdf/1908.08328

Case Study: Amazon｜New America｜https://www.newamerica.org/insights/why-am-i-seeing-this/case-study-amazon/

很多客戶找我們談系統開發的時候，會提到想加一個推薦功能讓網站更聰明，但往往還沒有足夠的資料基礎，先把資料怎麼蒐集、怎麼串接想清楚，才是瞻新資訊在評估這類需求時會先確認的第一步。