在 Charu Aggarwal 的著作 Recommender Systems [1]提到好的推薦系統需具備以下4點，
- 關聯性 Relevance
這點比較直觀，推薦系統輸出的結果必須是與用戶的喜好相關。 - 新奇 Novelty
說到新奇，其實每個人都不是那麼能接受嶄新的事物，大部分人喜歡的東西都是自己熟悉的東西加上一些小小的意外，例如 Netflix發現筆者有看偵探類型美劇之後，會推薦一些比較冷門但是也是偵探類型的劇。 - 意外驚喜 Serendipity
Serendipity 沒有精確的中文名詞對應，大概的意思是意外驚喜(好的方面) 這個詞曾被票選為10大最美英文單字之一，例如在某個地方開了間評價很高的日式餐廳，對住附近且常吃日式餐廳的人來說不算意外驚喜，但對住附近又習慣吃中餐的人而言是個意外驚喜。 - 多元性 Diversity
推薦系統通常會針對用戶的喜好，推薦出排名較高的選項給用戶，但在資料量不足的情況下，這些選項的相似度可能非常高，一但這情況出現，用戶可能又會陷入一些選擇障礙，而且很快的厭倦。多元性提供了用戶另一些選項，例如系統會提供其他備受歡迎但用戶較少接觸的商品。
要達到上述的目標要有用戶的資料以及演算法的配合，推薦系統的演算法種類很多，本文只介紹最常見的兩種，Netflix及 youTube網站是同時使用以下兩種的混合模型，
內容導向推薦 (Content-based Filtering; CF)
以商品內容為出發點的推薦系統，將商品分類之後，再根據用戶的紀錄推薦類似的商品給用戶。
優點：
此種類型推薦系統並不需要用戶的互動資料，只要將商品做適當的分類即可，適合有大量商品種類的網站。
缺點：
此類型推薦系統只能對用戶現有的互動資料當推薦基礎，換句話說，在多元性方面略有不足。
商品種類大量時，要花許多精力分類商品。
協同過濾(Collaborative Filtering)
以用戶興趣為出發點的推薦系統，意即有著相似興趣的用戶，喜歡相同商品的概率也較高，
優點：
此系統能幫助用戶找到意外驚喜，容易找到對用戶來說新奇且喜愛的商品。
缺點：
需要大量的用戶資料才能進行預測及推薦。
推薦系統並非只有上述兩種，在 Charu Aggarwal 的著作 Recommender Systems [1]中提到有演算法能根據用戶搜尋時間以及地點做出適當的推薦，例如在 Google 搜尋附近的餐廳時，Google 會根據用戶的所在地尋找附近的餐廳，或是搜尋襯衫時根據當時月份推薦長袖或是短袖襯衫，Facebook 也可以根據用戶按了環境保護的文章讚，推薦給用戶看起來保護環境的商品(實際上不一定)等等。
為了因應Line2.0改版，需做到更準的推播才能有效的降低成本，為了做到更精準的推播，找出適合的受眾，需要思考搜集的資料面向，例如服飾業者需要搜集用戶喜歡的衣服種類及顏色，媒體類的機器人需要搜集用戶的喜好文章種類等等，有了這些資料後，搭配內容導向推薦的概念，推送該用戶喜歡的商品訊息。若有新加入機器人的用戶，可以在新用戶加入機器人的同時記錄下其加入渠道，如FB廣告，或是商家 QR code 等等，系統可以從加入渠道，如廣告或店家推薦加入，找出這些舊用戶的行為模式對這位新加入的用戶使用上述提到的協同過濾而推薦相關的內容。利用上述的方法，我們的推薦系統可以幫助客戶在多種情境下找到最適合的推薦受眾。
參考資料：
[1 ] https://www.amazon.com/Recommender-Systems-Textbook-Charu-Aggarwal-ebook/dp/B01DK3GZDY
