股感的推薦系統建立在矩陣分解（Matrix Factorization）技術之上，其核心理念是將大量的使用者行為數據轉化為可理解、可操作的「潛在特徵向量」，作為個人化系統的智慧基礎。

輸入：互動矩陣
具體來說，系統會先建構一張大型互動矩陣，每一列代表一位使用者，每一欄代表一項內容（例如文章、影片或商品），矩陣中的數值則反映使用者與內容之間的互動強度，例如點擊次數、觀看時長、購買紀錄等。

輸出：雙向輪廓
透過矩陣分解技術，系統能從這張複雜的互動矩陣中，拆解出兩組精華向量：

• 使用者輪廓（User Profile）： 每位使用者的一組向量，反應其對各種潛在主題（如財經、娛樂、深度閱讀等）的偏好程度。
• 內容 DNA（Content DNA）： DNA）：每項內容的一組向量，描繪其在各個主題上的特徵，就像每篇文章的「基因編碼」。

這兩組向量的交會，為推薦系統奠定了關鍵基礎，也為後續的標籤生成與 AI 應用等，提供更細緻、動態且可擴展的理解方式。

傳統的使用者貼標方式，多半仰賴明確且靜態的行為規則（例如：看過五篇財經文章即貼上「財經」標籤）。這樣的邏輯雖簡單，但容易忽略使用者行為背後更深層的偏好與動機。

股感則透過「使用者輪廓」所建構的三大機制，實現更細緻、動態、可推論的智慧貼標方式：

• 品味社群（Taste Communities）
  系統會分析所有使用者的輪廓向量，自動將品味相近者聚為同一社群，找出具有相似內容偏好的群體。
• 動態使用者畫像（Dynamic Personas）
  每個社群代表一種使用者原型，例如「深夜財經新聞愛好者」、「健康料理影片常客」、「娛樂快閱族」等，能反映使用者當前的主題 傾向與消費情境。
• 智慧標籤整合至 CDP
  這些社群標籤將被同步至 CDP（Customer Data Platform），轉化為高層次的族群識別標籤，供行銷與產品策略調用。

這樣的新型貼標方式，不僅更貼近使用者的實際興趣輪廓，更能支援後續的內容推薦與行銷應用。行銷與內容團隊可根據「品味相近但尚未接觸內容」的使用者群進行探索式推薦，突破冷啟動困境，實質提升內容的觸及率與轉換率。這讓「個人化」不再只是後端推薦結果，成為行銷策略、分眾活動甚至產品設計的關鍵依據。

一旦有了內容 DNA，便可同時實現「內容導向的推薦」與「使用者導向的推薦」兩種面向，讓推薦系統不僅能根據使用者興趣主動出擊，也能根據當前內容的特徵，推薦主題或風格相近的內容。為了讓這樣的邏輯更具體，以下分別說明兩種推薦方式在實際應用中的操作方式：

• 內容導向：相似內容推薦（More Like This）
  系統會計算當前內容的 DNA 向量，並找出語意結構上相近的其他內容，做為補充推薦。例如在文章或影片底部出現的「你可能也喜 歡」，就是一種常見做法，有助於提升每次訪問的停留時間與頁面瀏覽數。
• 使用者導向：個人化預測推薦（For You）
  系統會將使用者的輪廓向量與所有尚未接觸過的內容 DNA 進行配對，並計算出預測的喜好分數。這類推薦可被用於網站首頁、App 推 播或電子報中，為每位使用者生成專屬的推薦清單，提升再訪與互動機率。

我們打造的不只是推薦系統，而是一座具備即時查詢能力的 AI 個人化中心（Personalization Hub），能統一管理「使用者輪廓」與「內容 DNA」，作為所有上層應用（行銷、內容、產品，至 AI 應用）之智慧基礎設施。

而這樣的架構，正是未來生成式 AI 扮演「任務代理人（Agent）」角色時不可或缺的關鍵資源。當 AI 不再只是回答問題，而是要主動完成任務、與人持續互動時，能否即時理解使用者偏好與當下狀態，就成為驅動行為的核心條件。

以「個人化電子報自動生成」為例：

• 任務下達： 系統接收指令，為某位使用者或某個族群撰寫本週電子報
• 資料拉取： AI 即時查詢個人化中心，取得該用戶的 Top 5 推薦文章、所屬品味社群、近期互動重點
• 內容生成： 這些結構化資料被整合進 prompt，例如：「你是一位媒體編輯，請為一位「深夜財經新聞愛好者」撰寫本週電子報。以下是為他量身推薦的 5 篇文章…請以專業、深入的語氣，總結本週財經要聞，並自然引導他閱讀這些內容。」

這類內容生成結合了語言模型的靈活性與結構化資料的深度，不僅更具吸引力，也更貼近個人相關性，真正實現「AI 為人所用」的任務導向個人化體驗。

透過 AI 個人化中心，我們建立的不只是推薦引擎，而是一套能持續學習與擴展的智慧基礎設施。它讓我們得以在推薦、標籤、行銷、與生成式 AI 等應用中持續突破，讓個人化成為產品決策與體驗設計的核心能力，走向真正的「以人為本」。隨著場景與需求持續變化，這套系統將持續優化對人的理解邏輯，作為推動 AI 實際落地的關鍵引擎。