以 Netflix 說明 Clustering 如何轉化為 Recommendation、Content Development 與 Segmentation。
理解高維使用者／內容特徵如何形成 Taste Communities，以及 Cluster 如何支援商業行動。
Netflix 將電影拆解為 actors、plot elements、sub-genre characteristics、budget、release dates、promotions、locations 等特徵，並結合使用者 history、ratings、searches 建立 Profiles。
| 項目 | 原書資料 |
|---|---|
| Taste Communities | 超過 1,000 |
| Users | 接近 1.5 億 |
| 主要輸入 | 內容特徵＋history、ratings、searches |
| 主要用途 | Recommender Algorithm、Original Content、Targeted Advertising |
依 Taste／Preference 相似性將 Users 分群，再把 Cluster Profile 作為推薦與內容決策輸入。
原書直接提供超過 1,000 個 Taste Communities、接近 1.5 億 users；未提供 Cluster 演算法的完整數值輸出。
Clustering 將無法逐人客製化的大型使用者群轉為可操作 Segments，也能協助理解 Products／Services 的 features。
「依以下 Taste Community 與使用者特徵資料，整理各 Cluster 的可解釋特徵與可能商業用途；不得補造原書未提供的成效數字。」
題目： 為何只用「電影類型偏好」可能不足以形成有價值的推薦？
參考解答： 原書指出電影可拆成許多更細特徵，使用者行為也包含 history、ratings、searches；更細緻資料能形成更具體的 Profiles。