國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四節 個性化推薦系統文獻
一、 個性化推薦系統理論
個性化推薦是根據用戶的興趣特點和購買行為，向用戶推薦用戶感興趣 的信息和商品。隨著電子商務規模的不斷擴大，商品個數和種類快速增長，
顧客需要花費大量的時間才能找到自己想買的商品。這種瀏覽大量無關的信 息和產品過程無疑會使淹沒在信息過載問題中的消費者不斷流失。為瞭解決 這些問題，個性化推薦系統應運而生。個性化推薦的最大的優點在於它能收 集用戶特徵資料並根據用戶特徵，如興趣偏好，為用戶主動作出個性化的推 薦。而且系統給出的推薦是可以實時更新的，即當系統中的商品庫或用戶特 徵庫發生改變時，給出的推薦序列會自動改變。這就大大提高了電子商務活 動的簡便性和有效性，同時也提高了企業的服務水平。
呂昭儀(2013)提到推薦系統是一種訊息過濾系統，用於預測用戶對物品的
「評分」或「偏好」。李欣宜(2015)提到針對同當用戶需要對決策做諮詢時，
系統可以根據個人偏好縮小搜尋範圍，快速找出符合用戶需求的資源或是服 務給使用者。Middleton(2009)表示推薦系統是利用用戶對於項目評估結果，將 用戶的需求相關回饋來找出符合用戶想要的東西。林金永(2016)表示使用者的 回饋資料得以進行分析以更精準地進行商業行銷，是受惠於手機與網路的盛 行及其帶來的便利，讓許多網站經營者得以收集到大量的使用者對於商品的 評價以及評論，推薦系統被廣泛的應用於行銷的商業活動，主要是拜大數據 與物聯網之賜，推薦系統依據使用者對商品的評分以找出合適的商品給予推 薦。近年來學者所提出的推薦系統，剛開始有分為內容式(Content-Based)的推 薦和協同式(Collaborative)的推薦，內容式推薦只著重在內容的相似度來評分，
協同式推薦則是利用分群的概念，透過用戶評估機制，將興趣相似的用戶分 類然後進行推薦(陳建英、黃演紅，2016)。蕭朝維(2012)提出推薦系統若要能
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
正確評分，最好是能有一個具個人化特色的廣告推薦流程(蕭朝維，2012)，因 此推薦系統必定有一個推薦主題，依照這個主題的範圍來給予評分。賴群宇 (2016)提出研究記錄消費者觀看時的眼球運動，分析其閱讀習慣，整合其圖文 資訊陳列方式及針對廣告應用開發，即是在眼球移動範圍內產生一個推薦主 題，而這個主題會隨著眼球注視位置停留的時間來決定下一則廣告要推播什 麼樣的內容(賴群宇，2016)。謝惠如(2014)也提到推薦系統在現在網路資訊過 剩的情況下是非常重要的，不同的分析方法，會對結果達到不同的成效，採 用協同式過濾的技術，並將推薦名單扣除不推薦名單和再將推薦店家集合分 群，讓推薦節過更準確，因此對於協同式過濾試比較好的推薦方法(謝惠如，
2014)。
二、 個性化推薦應用場景與價值
個性化推薦產生的初衷是為了解決資訊過量和物品長尾的問題。資訊過 量是在資訊時代資訊過於豐富的一種現象，也就是人所接受的資訊超過了個 人所能接受、處理或有效利用的範圍，導致的一種無所適從的問題。同時，如 此多樣豐富的資訊中，大部分是屬於冷門而沒有曝光的機會。對於處於移動互聯 網的今天，這些問題尤其突出。對用戶而言，每天面對海量的資訊、商品、視頻、
音樂等各種服務時，如何快速找到自己感興趣的內容確實是件耗費時間和精力的 事情，尤其是在沒有明確意圖的情況下。而對於企業而言，手握海量資源，而只 有一小部分曝光在用戶面前，大部分都石沉大海，資源浪費的同時，還留不住用 戶。在當前各種產品同質化的今天，如何討好並留住用戶，挖掘數據中存在的價 值，對企業也是一種極大的挑戰。越來越多的事實證明，個性化推薦系統是解決 上述問題的有效工具。
美國最大的視頻網站 YOUTUBE 曾做過實驗比較個性化推薦和熱門視頻 的點擊率，結果顯示個性化推薦的點擊率是後者的兩倍。美國著名視頻網站
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
Netflix 曾舉辦過全球的推薦系統比賽，懸賞 100 萬美元，希望參賽選手能將其推 薦演算法的預測準確度提升至少 10%。號稱「推薦系統之王」的電子商務網站亞 馬遜曾宣稱，亞馬遜有 35%的銷售來自於推薦系統。其最大優勢就在於個性化推 薦系統，該系統讓每個用戶都能有一個屬於自己的在線商店，並且在商店中能招 到自己最感興趣的商品。日常生活當中，當我們打開各種各樣的 app 和網頁，首 先進入視野的很多都是個性化推薦。對於企業而言，推薦系統可以幫助讓更多的 資源得到曝光，也改善了用戶體驗、增加了用戶的停留市場和粘性，最終也會提 高轉化。
綜合上述，推薦系統的核心價值主要包括：
1. 描述物品的特點，並與用戶的個性化偏好進行匹配，幫用戶便捷的 篩選出感興趣的內容；
2. 進行有效的資訊過濾以解決用戶的過載問題，面對陌生領域時提供 參考意見
3. 根據用戶反饋迅速捕捉用戶的興趣，以及興趣的變化，需求不明確 時，作用戶的「貼心助手」
4. 選擇合適的場景、時機、表現方式進行推薦，滿足用戶的好奇心
三、 用戶畫像與個性化推薦演算法
個性化推薦精準性的非常至關重要的影響因素是用戶畫像的生成（見圖 2.2）。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4 用戶畫像
用戶畫像通過對海量的用戶行為數據進行深入的分析和挖掘，從多個維 度來描述用戶的基礎屬性、標籤及興趣點等，清晰並且準確地勾勒出用戶的 輪廓概貌。這些數據幫助應用方更好了解用戶行為路徑，明確用戶流失情況和原 因，為應用方的產品功能優化決策提供可靠參考依據。通過多種方式收集到用 戶數據，包括用戶各種行為數據，結合書籍、用戶、作者等基礎數據，首先進 行數據預處理和用戶歸一化處理，然後進行數據統計與特徵抽取，最後基於 機器學習中的分類、聚類等方法進行智能挖掘分析，形成了用戶各個維度的 屬性信息。
有了用戶畫像之後，接下來就交給個性化推薦演算法，從內容推薦及協 同過濾來進一步說明。
(一) 基於內容的推薦。
這個演算法適合於待推薦物品帶有豐富語義信息的場景，如標題、標籤、
類別、作者等信息。但是像直播這個行業，直播內容是和主播當前的播
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
在資訊媒體、視頻等行業效果還是客觀的。基於內容的推薦主要過程是將 推薦物品的信息特徵和待推薦對象的特徵相匹配的過程，從而得到待推薦 的物品集合。匹配演算法很多是借鑒了信息檢索領域中的技術，如 K 最近 鄰 KNN 和 Rocchio 的相關性反饋方法。主要是以含有相同標籤的其它物 品、同類別的其它物品等形式出現。這種方法能保證推薦內容的相關性，並 且根據內容特徵可以解釋推薦結果。缺點是由於內容高度匹配，導致推薦 結果的驚喜度較差，另外用戶的反饋數據也沒有使用。
(二) 協同過濾演算法
主要思想是基於群體智慧，利用已有大量用戶群過去行為數據來預測當 前用戶最可能感興趣的東西。這種方法克服了基於內容方法的一些弊端，
最重要的是可以挖掘物品之間隱含的相關性，推薦一些內容上差異較大 但又是用戶感興趣的物品。對於基於用戶的協同過濾，首先計算用戶之間 的距離，得到與當前用戶距離最近的 N 個用戶，將這些用戶喜歡的 item 進 行合併和評分預測，得到推薦結果。基於物品的協同過濾則是計算物品間 的距離進行評分預測得到推薦結果基於領域的方法重點關注物品之間 的關係或者用戶之間的關係，基於物品的方法是根據用戶對和他感興趣 的物品相似的物品評分，來對該用戶的偏好物品建立模型。隱語義模型 採用的是另外一種方法，把物品和用戶映射到相同的隱語義空間。這個空 間試圖通過描述物品和用戶兩種實體在潛在因子上的特徵來解釋評分，而 這些因子是根據用戶的反饋自動判斷出來的。計算用戶-用戶距離和物品-物品距離有很多方法，在實際業務中會有很多的變形，比如對熱門物品 的降權，不然會引入一些雜訊數據，因為相對一些不那麼熱門的物品更 能表徵用戶的偏好信息。由於矩陣因子分解技術在線上業務的準確性和 穩定性的突出表現，已經成為協同過濾演算法的首選。