國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
新創的旅行社不再以大眾化的組團方式操作，而是以深度、客製化及高品 質來服務消費者，另外中小型的旅宿飯店業者也吹起了文創風，把在地的文化 融入到住宿的體驗，再來就是旅遊碎片化的需求，消費者買了機+酒之後，也可 以先出發前就先預訂好當地的體驗活動，讓自由行的行程安排更加豐富。
（二） 技術模式
這個模式通常需要有強大的 IT 技術能力，像整合旅遊產業的上游供應商 之後再提供 API 來讓各 OTA 或旅遊網站串接，另一種則是用搜尋技術或 一樣串接 API 把相關航空公司的機位、訂房網站的飯店，甚至於旅行社 的旅遊團來集中比價。
（三） 工具模式
有價值的內容才是王道，因為大家不想再看官方網站或是一般新聞媒體的 介紹，而轉向看專業達人的分享文，或是專業旅遊編輯匯整的策展好文，所以 專精一個或幾個旅遊地區的內容網站通常會受到歡迎，而把旅遊景點串成旅遊 行程的規劃工具不見得實用，但如果可以在當地使用手機結合地圖模式再加上 導航，那對於旅行者就會很方便了。
（四） 社群模式
旅遊前看別人的分享及口碑是一定要的，雖然背包客棧已經上線 10 幾年 了，不過在台灣仍是必看及討論互動的網站之一，另外把「空閒的資源」出租 如共乘模式等的分享經濟也慢慢在台灣開始流行，再來就是只需要付適當的費 用就可以找當地人帶你玩。
第二節 個性化旅遊景點推薦的相關研究
一、 個性化推薦國內外相關研究
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 資訊和商品。這種瀏覽大量無關的網路資訊和產品過程，無疑會使淹沒在信息 過載問題中的消費者不斷流失。為解決這些問題，個性化推薦系統應運而生
（MBA 智庫百科）。而個人化（Personalization）與客製化（Customization）不
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
同的是，個人化是基於預測且運用大量數據分析，自動地提供消費者專屬訊 息，而客製化則是依消費者有意識的選擇，進而改善使用經驗（Lee，2018）。
本研究將以兩個國內外的產業的成功案例來說明個性化推薦是現今線上平台的 趨勢，以下分別是社群媒體平台個性化推薦、電子商務平台個性化推薦與影音 串流平台個性化推薦。
（一） 社群媒體平台個性化推薦
Facebook 於 2016 年二季度財報，其日活躍用戶總數(Daily Active User, DAU)達 13.3 億，營收總額 64.4 億美元中 84%來自於移動廣告。並在日活、用 戶黏度、廣告營收等數據上都甩掉競爭對手一條街。News feed（信息流）是 Facebook 最重要的功能。它不同於以往的時間排序，而是機器算法依據用戶以 前點贊、評論、分享的內容，來推送用戶關心的內容。也就是說，如果你對朋 友的照片點贊評論過，那麼下次這個朋友的照片出現的就比較靠前；若你隱藏 過Candy Crush 遊戲的內容，那麼 Facebook 就會減少給你推薦遊戲內容的概 率。而廣告是Facebook 主要的營收來源，在獲取廣告主反饋的成交數據後，依 靠強大的機器學習系統優化整個轉化流程，並追溯到每一個展示所帶來的價 值，讓廣告主看到了具體投入後的回報，然後按照價值收費。Facebook 之所以 能夠按照展示收費，主要得益於News Feed Ads 下將廣告插入信息流，作為內 容的一部分個性化推薦給用戶。在Facebook 投放後台，廣告主除了能根據用戶 性別、位置、使用設備等條件投放，還可選擇目標投放人群的興趣喜好、行為 特點等，比如上一秒你剛剛給朋友用iPhone 6s 拍的照片點了贊，下一秒就看到 蘋果公司為你推薦他們的新產品了。借用Facebook 積累了 10 年的機器學習技 術，廣告主將大大減少資金浪費在非目標用戶身上的可能（鈦媒體，2016）。
（二） 電子商務平台個性化推薦
淘寶用戶體驗研究專家渡劫（2013）指出，讓中國大陸三巨頭之一阿里巴 巴集團旗下的淘寶網擄獲消費者心的最主要關鍵是，淘寶網是一個以不斷提升 用戶體驗為己任的網站，最主要的關鍵是提供個性化服務。首先，根據用戶在
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
網站的瀏覽購物行為，提供操作頁面、搜索結果、商品推薦等方面的呈現差異 化服務；其次，根據現有的購物流程中的個性化需求，為用戶找商品提供更多 的維度，如寶貝標籤系統，用戶可以打破以往根據關鍵詞、類目逐級查找或搜 索商品的瀏覽習慣，而是使用標籤這種網狀的系統，來快速定位自己想找的商 品，或者在逛的過程中，找到哪些以往不知道怎麼才能找到的商品。還會推出 不同的導購頁面，社會化、移動化的應用等，也將會滿足用戶的需求。此外，
淘寶未來更像是平台的服務者和保障者，而非組織者。致使讓台灣目前有80 萬 淘寶會員，市場也預估每年網購商機至少達到逾千億元新台幣。
（三） 影音串流平台個性化推薦
個人化推薦是Netflix 引以為傲的特色，他們的首席產品官 Neil Hunt 表 示，Netflix 有 80％以上的電影觀看都是通過推薦生成的，而且 Netflix 推薦 系統每年產生的價值超過 10 億美元。他們針對配圖的個性化定制，採用線上 學習框架「上下文老虎機」（contextual bandits），他能針對每個用戶和情境快速 找出最優的個性化配圖選擇，如傾向於喜劇的用戶選擇了一位著名的喜劇演員 的圖片，同時為傾向於浪漫愛情劇的用戶選擇了一張在接吻的情侶的圖片
（Ashok et al.，2017）。
Spotify 和 Apple Music 都十分注重如何找出你可能會喜歡但是還沒接觸到 的音樂。Apple Music 更主觀一些，他們會由所謂「專家」推薦你可能喜歡的音 樂；但Spotify 相信人性永遠凌駕於演算法之上，會從和你聽同一首歌的使用者 歌單中找出那些你沒有聽過的音樂再推薦給你。Spotify 也相信歌曲可以用最少 的文字產生最大的影響，「很多時候，我們只是要找到能喚起人們情感最簡單的 事情。」當人們真正喜歡做這一件事情，例如聽音樂，只要有夠廣的音樂能提 供選擇、品質夠佳的音樂就能說服這些人每個月花9.9 美金來成為 Spotify 的白 金會員，而在全球擁有高達 2000 萬的付費使用者，已是 Apple Music 的三倍 多。（淵浩，2016）
二、 個性化旅遊景點推薦國內外相關研究
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
國內外研究者從不同角度對旅遊相關系統做了大量的研究工作，先後提出 了多種旅遊系統模型。本文將統整近年來針對個性化旅遊系統研究的新動態研 究，分為以下三類：旅遊者特徵導向推薦系統、地理資訊導向推薦系統與文字 導向推薦系統。
（一） 旅遊者特徵導向推薦系統
許峰等人（2016）提出旅遊模型的重構，認為旅遊者在整個旅遊系統中處 於核心位置，整個旅遊系統中信息經過處理最終又反饋回旅遊者本身，這些信 息的作用就是為了更好的服務於旅遊者，這正是旅遊者在旅遊活動中關鍵作用 的體現，也符合服務主導邏輯下顧客中心的思想。然後對過去、現在與未來的 需求信息進行分析與數據挖掘。讓無論是旅遊者、景區、政府皆可用於服務優 化、偏好分析、實時監控、線路推薦、客流預測、精準營銷等方面。
（二） 地理資訊導向推薦系統
肖政（2016）指出一些帶有地理位置標籤的圖片分享網站受到了用戶的歡 迎，並隨之產生了海量的包含地理位置、拍攝時間、標籤等信息的照片。通過 對這些代地理標籤信息的照片集的挖掘，可以得到城市景點區域和用戶興趣偏 好等信息，而利用這些信息又可以為用戶提供個性化的景點推薦服務。研究顯 示對Flickr 上分享的照片元數據分析後，大量照片的標籤信息偏少，因此在改 進了用戶相似度推薦算法的基礎上使用DBSCAN 類聚算法，綜合用戶偏好、照 片時間上下文、景點區域熱度信息，為用戶提供個性化旅遊景點區域推薦。
胡喬楠（2015）認為互聯網的旅客遊記以指數級快速增長，雖為旅行者景 點和路線甄選的重要考量，但其數量龐大、格式多樣、質量參差不齊，很難高 效、快速、準確地得到有用的資訊，因此到travelBlog 與 travelPod 爬了 8 萬多 篇遊記，從中提取了每一篇的地理名詞，設計了一個地理本體樹算法與透過 closet+算法來進行關聯規則的旅遊景點推薦；行程路線規劃系統則參考 TripMine 創造了 Multiple Guide 算法進一步優化路線規劃效率，提出了多個優 化策略，通過快速剪枝，大大加快了路徑查找的速度。提出的推薦系統算法考
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
慮了旅遊景點滿意度、旅遊景點時間及旅遊景點費用這三個因素，為出行者提 供最合適的路線規劃。
（三） 文字導向推薦系統
Wen 等人（2017）提出，由於 Location-based social network（LBSN）服務 就是能夠讓用戶分享給朋友自身目前的定位，當用戶旅行時，這些定位資訊實 際上是具有一些照片和標籤資訊的旅行路線。因此，這些大量產生的路線在許 多完善的研究領域中發揮著如流動預測或交通管理等重要作用，而這篇文獻他 們著重在於旅行的規劃，並打算透過以地理定位為基礎的社交網路中的共享數 據發現旅行體驗。為了便於旅行計劃，他們可以讓用戶通過關鍵字指定他們的 偏好，並通過探索其他用戶曾經發布的可能關鍵字來擴展旅行計劃的輸入。然 而，現有旅遊路線推薦服務的查詢結果通常僅通過流行程度或路線上載次數來 排列路線。對於這樣的排名可以得到一個評分函數，其中每條路線根據其特徵
（例如，地點的數量，地點的流行度）具有一個分數，於是他們建構了一個關
（例如，地點的數量，地點的流行度）具有一個分數，於是他們建構了一個關