“For me context is the key — from that comes the understanding of everything.”– Kenneth Noland
一般影音文字類型的推薦系統，在推薦內容方面比較不受到時空方面的限制，用戶隨時打開 youTube 或 Netflix 時，推薦的內容並不會受到用戶所在的地點以及打開網站的時間影響。
在淺談推薦系統一文中，不論是內容導向推薦或是協同過濾，都是假設用戶的喜好不會變的前提下所使用的推薦系統，但現實的狀況是用戶的喜好會隨著時間改變，情境相關的推薦系統能使推薦的商品根據情境做出動態的調整。
情境相關的例子很常見，例如打開 google 搜尋晚餐該吃什麼的時候，搜尋引擎搜尋引擎會根據用戶所在位置尋找推薦的餐廳，
或是在夏天搜尋時裝的時候，要提供對應季節的產品，若是有用戶社群網站的資料，也能推薦親友購買過的商品等等，以上所舉例皆為情境相關的推薦系統。
在Line推播中，推播時間就是最簡單的情境，每個用戶都有自己的最佳互動時間，根據訊息的種類也對應不同的情境，用戶不會想在大熱天收到羽絨外套的相關資訊。但Line並非像google一樣的搜尋引擎，在情境的選擇上比較處於被動狀態，不可能完全知道用戶所在的時空環境是如何，一個解決方法是回頭看過去的資料分析哪些情境下用戶的反應最佳，情境相關推薦系統的另一個優勢在於即便是新加入的用戶，沒有過去的互動資料，也可以根據情境做出類似協同過濾的推薦。
情境相關推薦系統是推薦系統的終極版本，但此推薦系統是奠基在內容導向以及協同過濾的資料基礎上，意味著需要有更大量的資料才能建立有的內容推薦系統，本公司致力於打造全方面的LINE受眾推薦系統，隨著用戶數量的成長以及資料的累積，可使用的情境也會增加，系統推薦的受眾也會更加精準。
