前言

大多數推薦系統只學「你點了什麼」，很少理解「你當下的狀態」。但人在不同情緒下，偏好會位移：通勤路上想看輕鬆短內容，下班後才有耐心讀長文；焦慮時偏向保守選項，放鬆時較願意探索。把情緒訊號導入推薦，能讓系統少一點「理所當然」、多一點「懂當下的你」。今天的內容，把情緒融入推薦的關鍵做法逐步拆解：資料蒐集 → 模型思路 → 互動介面 → 監測與倫理。

為什麼把情緒放進推薦？

• 情境敏感：同一位用戶在不同時段/場所/心境，需求不同。
• 探索/利用切換：激發程度高時可多探索、疲憊時優先穩妥。
• 降低反感：避免在壓力高時推送容易造成負擔或爭議的內容。

心理學常用 價性–激發（Valence–Arousal） 二維情緒分析：

• 價性：一個人的情緒正面/負面程度
• 激發：情緒激動/平靜程度
  實務上不必輸出「快樂/憤怒」等離散情緒，估一個（價性、激發）或「低/中/高」就夠用。

資料與標註：怎麼知道用戶當下狀態？

資料來源（依侵入度由低到高）：

1. 行為線索（最低成本）：停留時間、滑動節奏、夜間使用、取消/收藏、重讀率。
2. 語意線索：搜尋/對話用詞中的情緒強度（例如：「崩潰」「放空」）。
3. 裝置情境：時間、位置類型（家/通勤/公司）、系統鈴聲模式。
4. 自我回報（最可靠）：簡單選單或滑桿（「現在想放鬆 / 想學習」）。
5. 生理訊號：心率變異、皮膚電、呼吸；僅在自願且本地處理。

標註策略：

• 弱標註：用行為門檻（如連續快滑＋停留 < 2s）推估高激發；收集高置信樣本起步。
• 輕量問答：每天一次「今天想要輕鬆還是刺激？」作為校正點。
• 冷啟動問卷：兩題就好，避免打擾。

系統藍圖（MVP）

感知層：行為/語意/自報 → 情緒估計器（valence, arousal）
特徵層：把情緒、時間、情境合併進用戶/內容特徵
排序層：基礎候選集召回 → 內容打分（點擊/全文讀畢/滿意度混合目標）
重排層：依情緒做 re-ranking（探索/利用、風險控管）
UI 層：可見/可控的心情開關、解釋、低干擾提醒
回饋層：👍👎/略過原因/「不要這類」→ 線上持續學習

模型設計：先簡單、能解釋，再慢慢加深

• Baseline：內容嵌入 + 協同過濾 + 情境特徵（時間/裝置）
  • 在特徵中加入 (valence_bucket, arousal_bucket) 或 mood_onehot。
  • Loss 用多目標混合：0.6*點擊 + 0.4*全文讀畢/停留，避免只學到釣魚標題。
• 重排序（Re-ranking）：
  • 規則版：激發高→提高短內容/簡單任務分數；價性負→降低爭議類內容分數。
  • 模型版：加一層 𝑓(候選×情緒特徵) 的小 MLP re-ranker。
• 線上學習（Bandit/偏好學習）：
  • 保留 10% 探索名額，讓系統不會被舊偏好鎖死。
  • 以「採納/停留/回訪」作為獎勵回饋，逐日微調權重。

UI 設計：把「情緒」做成好用不打擾的體驗

三個必備元件：

1. 心情微控
   • 兩鍵切換：「想放鬆/ 想刺激」；或三段式「輕鬆 / 一般 / 挑戰」。
   • 預設跟著模型推斷，永遠可手動覆蓋，且 1 小時後自動恢復預設。
2. 微型解釋
   • 例如「今晚幫你排多一點輕鬆讀物（因為你最近都看 5 分鐘以下的篇幅）。」
3. 低干擾提醒
   • 當情緒估計變化大時，以 訊息條 提示「要不要換成輕鬆一點的內容？」（不跳對話框）。

讓回饋成本降到最低：

• 卡片上放 「減少這類」／「太長」／「太刺激」 三個原因，一鍵送回。
• 永遠有 撤銷（Undo），減少誤觸成本。

決策邏輯

• 探索/利用切換
  • 激發高 or 時段 = 早上通勤 → 增加探索比例（短、廣）。
  • 激發低 or 夜深 → 降低探索，優先穩定高滿意內容。
• 風險與敏感度
  • 價性負 & 高激發 → 降低爭議/刺激內容權重；必要時改推中性/舒緩類。
• 冷卻（緩衝）時間
  • 一旦使用者手動切換心情，至少 30 分鐘不自動覆蓋。
• 低信心交回人
  • 情緒模型信心 < 0.55 時，僅採用行為與時間情境特徵，不使用情緒 re-ranking。

評估指標：離線 + 線上 + 體驗

• 離線：AUC/Recall@K、Coverage（覆蓋度）、Novelty（新鮮度）。
• 線上：採納率、全文讀畢率、回訪率、探索點擊率、撤銷率（過高表示打擾）。
• 體驗：簡版 NASA-TLX（工作負荷），CSAT（滿意度），被理解感量表。
• 分層監測：新舊用戶、不同時段、不同群體的指標是否一致。

隱私與倫理（務必預先內建）

• 在地化告知與同意：清楚說「可能會用你的操作與自願回報來調整推薦」。
• 最小化：不必收就不收；生理訊號若使用，盡量只做裝置端處理，不上傳原始波形。
• 關閉與導出：提供「不要用我的資料做個人化」的選項與資料匯出機制。
• 風險守門：敏感主題（身心健康、財務）在負面情緒下減少曝光。

MVP 實作清單

• 資料：事件流水（曝光、點擊、停留、略過原因），每日匯總。
• 情緒估計：先用 行為弱標註 + 每日一次心情小問，估出 3 段激發；裝置端快取。
• 模型：
  • 召回（協同或向量相似）→ 打分（GBDT/小 MLP）→ 規則重排（看激發）。
  • 線上保留 10% 探索流量；每日小篇幅更新。
• UI：心情切換鈕、微型解釋、三個「減少這類」原因、Undo。
• 監測：採納率、全文讀畢率、探索率、撤銷率；分時段分群展示。
• 守則：低信心不使用情緒重排、敏感類別降權、緩衝 30 分鐘。

小文案

• 心情切換：「今天想放鬆看點輕鬆的？還是想來點刺激挑戰？」
• 解釋：「因為你最近都看短篇，我把篇幅 5 分鐘內的排前面。」
• 提醒：「需要喘口氣嗎？要不要先看一些輕鬆內容？」
• 撤銷：「已還原推薦。之後我們會少推這類內容。」

結語

把情緒放進推薦，不是要讀心，而是把情境納入決策。
從低侵入的行為線索起步，配上可見且可關閉的心情開關；用簡單可解釋的重排規則先上線，再逐步加入 bandit 與小型深度模型。記得把緩衝時間、低信心退回、敏感內容降權寫進規格，用「不打擾」當第一原則。當你的系統懂得看場合、願意被修正、持續學習，推薦就會真正「懂當下的你」，也更值得長期信任。