協同式推薦系統 - 以正規化概念分析探討旅遊虛擬社群知識分享之研究

一、推薦系統與協同式推薦系統的意涵

由於全球資訊網(WWW)的興起與快速成長，再加上電子商務的普及，所以有了推薦系統(Recommender System)的出現 (Deshpande and Karypis, 2004)，而「推薦系統」一詞最早是由 Resnick and Varian(1997) 提出，其認為推薦系統是利用群體使用者的意見來幫助各別使用者去界定興趣或是定義問題，進而讓使用者能有效的做決策，此外，學者們也進一步表示為何會使用「推薦系統」這個名詞，主要是依據以下兩個理由：

1. 提供推薦和接受推薦的雙方不一定存在相互合作的關係，彼此可能完

全都不知道對方的存在。

2. 「推薦」一詞的意涵，除了表達過濾不必要的資訊外，更重要的是強調推薦使用者感興趣的資訊。

另外，Zhang and Iyengar(2002)也表示推薦系統是利用已存在之使用者過往經驗與喜好等資訊，進而對有相關興趣的新使用者進行推薦。若從電子商務的角度來定義，Schafer et al.(2001)認為推薦系統是透過記錄使用者偏好產品的資訊來引導使用者，而這些資訊是從消費者的行為中所挖掘出來的知識。另外，除了挖掘消費者行為的知識，Ricci(2002)更進一步表示電子商務網站不僅能運用推薦系統來推薦商品銷售和提供顧客資訊，更能利用這些消費者釋出的資訊來幫助他們制定決策系統。如在 Kim et al.(2003)的研究中也認為利用推薦系統來擷取消費者的喜好、興趣或是特殊需求，並且依此來做資訊推薦，可以達到建立顧客忠誠度與提昇企業競爭力的目的。簡而言之，推薦系統的本質就是資訊篩選系統 (Information Filtering System)，即是一個提供個人化的資訊過濾機制，其主要的目的在於協助使用者於複雜的資訊環境中做決策，而且推薦系統會依據它本身對使用者與物件的瞭解，推薦或預測使用者可能感興趣的項目(Mobasher, 2000)。

Lee et al.(2002)表示推薦系統可以使用多種不同的方式來提供個人化的資訊推薦，然而，要採用何種方式來做推薦，則完全取決於推薦系統

如何記錄和分析使用者的喜好。根據Wand and Shao(2004)的研究，目前最常見的兩種資訊推薦系統技術為：(1)內容式推薦系統(Content-based Recommendation System) 和 (2) 協同式推薦系統 (Collaborative Recommendation System)。其中，內容式推薦系統是以「認知篩選(Cognitive Filtering)」的技術來為使用者做資訊推薦，構想是來自於「資訊擷取 (Information Retrieval)」的研究(Baeza-Yates and Ribeiro-Neto, 1999)。主要是分析使用者的特性，然後藉由建立的特性資料(Profile)來計算內容或商品與使用者偏好的相似程度，並且將相似度高的項目推薦給使用者(Pan and Lee, 2006)，如 NewsWeeder(Lang, 1995)、WebWatcher(Armstrong et al., 1995)、InfoFinder(Krulwich and Burkey, 1997)以及 SmartPad(Lawrence et al., 2001)等推薦系統都是以內容為基礎的推薦系統。另外，本研究主要是著重於協同式推薦系統的研究，因此將於下文中做較詳細說明。

所謂的「協同式推薦系統(Collaborative Recommendation System)」就是採用「協同式篩選(Collaborative Filtering)」的技術來為使用者做資訊推薦。協同式篩選又稱為社會化資訊篩選(Social Information Filtering)，是由Goldberg et al.(1992)所提出的，他認為協同式篩選是利用使用者相互合作的方式，再依據這些使用者對文章的反應來協助其他使用者進行文章推薦。Schafer et al. (1999)也曾對協同篩選下定義，他認為協同篩選是一種測定「人與人之間相關程度(People-to-People Correlation)」的推薦機制，

而且是以一群在電子商務網站上從事購買行為的顧客群間之相關性為基礎。另外，Anderson et al.(2003)則提出以收集和分析每個使用者的評比來做為協同篩選的基礎，作法是以每個使用者的評比來測量彼此的相似度，再利用此相似度做為資訊推薦的依據。又如Lemire(2004)也認為協同篩選的基礎是建立在使用者的評比上，其不同於以物件的內容和屬性的特性維為基礎的內容式推薦機制。綜合各學者的觀點，本研究將以「技術」和「使用者」兩種不同的角度來定義協同式推薦系統。若以「技術」

的角度來下定義，本研究認為協同式推薦系統就是利用使用者群可能有感知或無感知的釋出意見、想法或喜好，經由推薦系統的分析與預測，

然後做出符合使用者群需求或感興趣的資訊推薦；若以「使用者」的觀點來下定義，本研究則認為協同式推薦系統是用來協助使用者從大量的資料中有效率的挑選出符合使用者需求的資訊過濾幫手。

二、協同式推薦系統的應用與限制

隨著資訊科技與網路的快速發展，常讓人們處於資訊過載的資訊環境中，然而，用來處理這些爆炸性資訊產量的最佳方法，就是善用推薦系統，其中，又以協同式推薦系統的應用範圍最廣，同時它也是最為成功的推薦系統。此外，協同式推薦系統的重要性也將隨著它的應用層面越來越廣而與日俱增，如Canny(2002)的研究中也表示協同式推薦機制在

電子商務、推薦指引和搜尋引擎中有許多重要的應用，如在電子商務中，

若網站有個人化的購買推薦將比起無個人化的購買推薦更能增加使用者的購買可能性。因此，本研究將有關協同式推薦系統的相關應用整理於表2-5 協同式推薦系統之相關應用中。

表2-5 協同式推薦系統之相關應用學者(年代) 系統名稱內容

Goldberg et al. (1992)

Tapestry Tapestry 推薦系統是第一套利用協同式篩選

(Collaborative Filtering)方法的推薦系統，會採用協同式推薦的概念是因為學者們認為若讓使用者參與資料篩選的過程，將會比單純只用電腦來篩選資料還來得有效率，而且透過人性化的參與，也更能篩選出適合使用者需求的資料。Tapestry 推薦系統允許使用者對文件下註解(Annotations)，而且只有這些被下註解的文件才能做為日後篩選或推薦資料的依據。另外，原本建構 Tapestry 推薦系統的主要目的是要用來過濾電子郵件，不過後來則是延伸到所有相關的電子文件上。

表 2-5 協同式推薦系統之相關應用(續) 學者(年代) 系統名稱內容

Shardanand and Maes (1995)

Ringo Ringo推薦系統是一個社會資訊篩選系統

(Social Information Filtering System)，而且是由知名的麻省理工學院所建置來做音樂推薦 (Start-up Problem)，就可能影響特性資料的

表 2-5 協同式推薦系統之相關應用(續) 學者(年代) 系統名稱內容

準確性。

Kautz et al.

(1997)

ReferralWeb ReferralWeb推薦系統主要是結合「社會網絡

(Social Network)」與「協同式推薦」，並將它運用在搜尋引擎的查詢動作上。此推薦系統

GroupLens GroupLens 推薦系統主要是運用在網路新聞 (Netnews)上的文章推薦，即對大量的新聞網頁做篩選，並且幫助使用者篩選出他們感興趣的新聞網頁。首先，推薦系統會先要求使

表 2-5 協同式推薦系統之相關應用(續)

Rucker and Polanco (1997)

Siteseer Siteseer 推薦系統是一個網頁推薦系統，它會

根據使用者個人的書籤(Bookmark)和在文件

表 2-5 協同式推薦系統之相關應用(續) 學者(年代) 系統名稱內容

被信賴的，所以也可將Siteseer推薦系統視為一個「個人化網站瀏覽工具(Personalized Navigation for Web)」。

Terveen et al. (1997)

PHOAKS PHOAKS 推薦系統是 People Helping One

Another Know Stuff 的簡稱，主要是用來過慮網路新聞(Netnews)文章，此推薦系統會計算在網路新聞裡被交叉張貼或是被推薦的網站 URL 數量，並根據交叉張貼次數或推薦次數最多的網站 URL 再推薦給其他有興趣的使用者，亦即當某網站URL 被交叉張貼或被推薦的數量越多時，此網站URL 就越值得被推薦。另外，PHOAKS 推薦系統不同於其他推薦系統的兩大特色為：(1)角色限定化(Role Specialization)是由少數群體來做評比與推薦，並非每個使用者都要對所有的網站URL 做評比與推薦，因此受益者不一定是推薦

表 2-5 協同式推薦系統之相關應用(續)

MusicFX MusicFX 推薦系統是一個音樂推薦系統，主

要目的是為處於同一工作環境且同一時段的

MovieLens MovieLens 推薦系統是用來推薦電影的推薦

系統，主要是結合協同篩選(Collaborative

表 2-5 協同式推薦系統之相關應用(續) 學者(年代) 系統名稱內容

(Profile)來給予適當的電影推薦。

承上所述，雖然協同式推薦系統是所有推薦系統中最成功且被廣泛使用的推薦系統，不過它也存在一些問題和限制。如在Sarwar et al.(2000) 的研究中也指出協同式推薦系統所存在的一些限制與缺點，如下所述：

(一) 稀疏性(Sparsity)

對於大型的虛擬社群或電子商務網站來說，當其欲推薦的項目或是商品數目遠多於使用者數量，或遠多於使用者群已進行評比之品項的數量時，將會造成推薦系統的資料庫裡沒有足夠的資料量來做為分析品項及預測使用者喜好的基礎，另外，在眾多的項目或商品數目中必然有些非主流且較冷門的品項被使用者忽略，但並非此類的品項不值得被推薦，或者若這些使用者群只集中傾向於某些偏好時，也可能影響了整個推薦系統的推薦客觀性，因此，稀疏性問題的存在將是導致推薦系統無法做客觀、有效、準確推薦的主要限制。

(二) 擴充性(Scalability)

隨著商品數量與使用者逐日的增加，協同式推薦系統要找出最近鄰居演算法通常需要耗上相當大的計算時間，而且演算的複雜程度是與使

用者的評比資料數量及項目數量的大小成等比平方的關係，因此，當推薦系統之使用者的評比資料數量與項目數量日益增加時，擴充性的問題就會嚴重影響推薦系統的成效。

(三) 同義性(Synonymy)

推薦系統的人性化畢竟比不上人類的思維，對於一個相同的項目，

可能有著許多不同的項目名稱，或者相似的項目可能被不同使用者以不同的項目名稱標示著，這會使推薦系統無法正確解讀隱藏在項目名稱裡的真正含義，導致推薦系統將相同或相似的項目辨識成不同的東西，因而產生同義性的問題。

承上所述，雖然協同式推薦系統仍存在一些缺點與限制，但近幾年

在文檔中以正規化概念分析探討旅遊虛擬社群知識分享之研究 (頁 52-64)