在實作推薦系統時，會遇到一個問題：到底要蒐集哪些特徵資料給系統做學習呢？

這已經不是演算法的問題了，這是系統營運上的問題。這問題也考驗著推薦系統的設計者，到底有多了解系統的使用場景，以及有多了解自家產品的使用者。

影片推薦可能要蒐集哪些資料？

拿我們這系列一直以來要做的事：影片推薦來說，會有多少因素決定使用者看這部影片？

拿我自己當例子，會讓我想看這部影片的因素有：

1. 網路上是不是有在討論？
2. 家人朋友是不是有在討論？
3. 劇情是不是吸引我？
4. 海報劇照好不好看？
5. 有沒有我喜歡的演員或導演？
6. 我有看過嗎？或我有看過類似的影片嗎？

這樣，對應的特徵就有

1. 影片在網路上的熱度
2. 家人朋友是否有看過這部，或對這部影片進行過評論
3. 劇情介紹文本 或 預告片內容
4. 電影劇照
5. 演員、導演資料
6. 我的看電影記錄

那這樣就夠了嗎？

還可以記錄使用者在挑影片時的瀏覽軌跡

推薦系統常用的特徵

除了自己找特徵外，這邊也列出了常用的特徵，在設計系統時，可以提早蒐集。

1. 使用者行為資料：
   1. 顯性行為：對影片按讚、評分、寫評論等等
   2. 隱性行為：瀏覽介紹、打開原本縮起來的介紹文字
2. 使用者關聯
   1. 顯性行為：關注好友、建立好友關係
   2. 隱性行為：看同一部電影，住在附近
3. Tag 標籤機制
4. 內容類別資料
5. 上下文資訊
6. 統計類別特徵
   1. 透過統計方法計算出來的，如CRT、物品熱門度
7. 組合類別
   1. 不同的特徵進行組合後，合成一個特徵，例如：年齡+性別，合成一個類別

以上在設計系統時，可以參考來設計

參考資料

1. 帶你深度學習推薦系統 - 王喆 著