以原書開場的 LaunchCast 與 Pandora 說明早期機器學習／推薦系統如何利用使用者行為與人工分類資料產生個人化內容。
理解「使用者回饋資料」與「人工標註特徵」兩種推薦邏輯。
原書回顧 LAUNCH Media 的音樂串流服務與後來的 LaunchCast，以及 Pandora 的 Music Genome Project。
| 原書資訊 | 數值／內容 |
|---|---|
| Yahoo! 收購 LAUNCH Media | 2001 年，1,200 萬美元 |
| LaunchCast 早期評分 | 1–10 分；後來可用 5 星或 0–100 分 |
| Pandora 使用者 | 原書稱約 5,000 萬人 |
| Music Genome Project 特徵 | 超過 450 個「基因」標記 |
| 人工分析 | 涵蓋超過 60 年音樂；每首歌可花 30 分鐘以上分析 |
比較兩種資料來源：LaunchCast 主要利用使用者評分與相似使用者行為；Pandora 則加入大量由音樂家／音樂學者人工標註的歌曲特徵。
本案例的數字為原書直接資料；原書未提供推薦準確率或完整演算法，因此不自行計算模型表現。
推薦系統可以從不同類型資料建立個人化：一種是大量使用者互動，一種是高成本、高細緻度的內容標註。兩者都需要將資料轉成可供模型辨識的訊號。
比較 LaunchCast 與 Pandora 的推薦資料來源，說明兩者在資料取得成本、可擴充性與個人化邏輯上的差異；不要補造原書未提供的準確率。
問題： 若完全沒有使用者評分，還能否做推薦？
參考解答： 可以；Pandora 案例顯示可利用內容特徵建立相似性，但推薦品質仍取決於標註與模型設計。