Collaborative Filtering

Collaborative filtering 的核心假設是「和你行為相似的人喜歡的東西，你也可能喜歡」。它不分析物品的內容，只看使用者的行為模式。

User-based

找到和目標使用者行為最相似的一群人（neighbors），把 neighbors 互動過但目標使用者沒互動過的物品推薦給目標使用者。

資料需求：使用者-物品互動矩陣（user × item matrix），每格是評分、點擊、購買等互動訊號。

挑戰：使用者數量增加時，計算使用者相似度的成本呈平方增長。冷啟動問題 — 新使用者沒有足夠的互動歷史來找到 neighbors。

Item-based

計算物品之間的相似度（根據哪些使用者同時互動過這兩個物品），推薦和使用者已互動物品相似的物品。

資料需求：同上，但相似度計算的維度是物品而非使用者。

優勢：物品的相似度矩陣比使用者相似度穩定（物品不會突然改變行為，使用者會），可以離線計算和快取。Amazon 的「購買此商品的人也買了」就是 item-based collaborative filtering。

Content-based Filtering

Content-based filtering 分析物品的內容特徵，推薦和使用者過去喜歡的物品內容相似的物品。

資料需求：每個物品的特徵向量（genre、author、price range、keywords）和使用者的偏好 profile（從歷史互動推斷）。

優勢：不依賴其他使用者的行為 — 單一使用者就能產生推薦。新物品只要有特徵描述就能被推薦（解決 collaborative filtering 的新物品冷啟動）。

挑戰：推薦結果傾向和使用者歷史行為相似，缺乏意外發現（serendipity）。特徵工程的品質直接影響推薦品質 — 物品的特徵描述不完整或不準確，推薦就不準確。

混合方法

結合 collaborative filtering 和 content-based 的優勢，減少各自的弱點。

加權混合

兩種方法各自產生推薦清單，用加權分數合併。權重可以固定，也可以根據情境動態調整（新使用者偏重 content-based，老使用者偏重 collaborative filtering）。

特徵增強

用 content-based 的特徵增強 collaborative filtering 的矩陣。使用者-物品互動矩陣加上物品的內容特徵，讓相似度計算同時考慮行為和內容。

級聯

先用一種方法粗篩，再用另一種方法排序。Collaborative filtering 產生候選清單，content-based 根據使用者的內容偏好排序。

行為事件在推薦系統的角色

推薦系統的輸入是使用者的互動行為 — 瀏覽、點擊、加入購物車、購買、評分。這些互動行為就是行為事件（模組一 心智模型）的 event 類型。

行為事件的設計直接影響推薦系統的資料品質。事件的粒度決定了推薦的精細度 — 只記錄「頁面瀏覽」比記錄「頁面瀏覽 + 停留時間 + 滾動深度」的推薦信號弱。

下一步路由

• 使用者分群的工程實作 → RFM 分群
• 行為事件設計 → 行為事件設計
• 自架方案的分析能力邊界 → 從 collector 資料做基礎 funnel 分析

待寫章節

• 行為事件設計（事件命名規範 / 屬性設計 / funnel 定義）
• Funnel analysis（使用者在哪一步流失）
• Cohort analysis（不同族群的留存率差異）
• Attribution（使用者從哪來、哪個廣告帶來轉換）
• A/B test 的統計基礎（假設檢定 / 樣本量 / 多重比較）
• 推薦系統概論（collaborative filtering / content-based / 混合）
• RFM 分群（Recency / Frequency / Monetary 的工程實作）
• 從 collector 資料做基礎 funnel 分析（自架方案能做到哪裡）

跨分類引用

• ← monitoring 模組七 資安：去識別化是入場條件
• ← monitoring 模組一 心智模型：event 類事件是行為分析的原料
• ← ux-design 模組一 畫面狀態機：狀態轉換事件 → funnel 分析
• 待建連結 → data-engineering/（資料管線設計）
• 待建連結 → statistics/（A/B test 統計基礎）
• 待建連結 → machine-learning/（推薦系統架構）
• 待建連結 → compliance/（GDPR / CCPA / 個資法）