協同過濾推薦機制

隨著資訊技術與網際網路的發展，有越來越多的網站於網際網路上成立，帶 來了為數可觀的網頁與豐沛的資訊，但是這些資訊的數量實在過於龐大，超越了 人們所能負荷的極限，而且這些網路上的資訊也過於分散，使得資訊搜尋者在找 尋資訊時需要花費相當多的時間與心力。因此，「資訊檢索」(information retrieval, IR)技術與「資訊過濾」(information filtering, IF)技術因應而生，協助使用者於大 量的網路資源中發掘出真正想要的資訊(邵秀梅，民 92)。

推薦系統(recommender system)是一種為了減少使用者在搜尋資訊過程中所 附加的額外成本而提出的資訊過濾機制。推薦系統之概念，最初主要是由 Goldberg 學者在其 1992 年的研究報告中提出，其概念是利用協同過濾(collaborative filtering) 的方法，過濾出對使用者有用的資訊，同時其所提出之推薦系統－Tapestry，此系 統亦為目前最早的資訊過濾推薦系統。

推薦系統根據推薦的方式可以歸納為下列六種(李麗華、黃智育，民 91; 蔣以 仁，民 90; Mobasher, Cooley, & Srivastava, 2000; Nichols, 1997)：

1. 熱門式推薦：推薦的事物和個別使用者是相互獨立的，此種推薦方式所 推薦的物品和資訊都是當時最熱門、最流行的，不同的使用者均會獲得 相同的推薦資訊，因此這種推薦方式的效果有限。

2. 項目關聯式推薦 (item- to-item correlation)：此種推薦方式是以使用者表 示感興趣的物品或資訊為基礎，根據這些物品或資訊的關聯性來進行推 薦。例如：學生在教學網站上閱讀了與資料探勘相關的教材，因此推薦 系統便會建議學生接下來可以閱讀與顧客關係管理相關的教材，因為這 兩個領域的教材有關聯性存在。

3. 經濟式過濾推薦 (economic filtering recommendation)：經濟式過濾是指 以物品或資訊取得的成本為過濾條件，用以過濾物品或資訊的一種推薦 方式。這種推薦方式會因為只考慮物品或資訊取得的成本，而忽視了使

21

用者的興趣(羅健銘，民 90)。

4. 規則式過濾推薦 (manual decision rule system)：規則式過濾推薦 (rule-based filtering recommendation)是指網站設計者會事先定義一些規 則，也會設計出一份互動式的問卷讓使用者填寫，再將使用者於問卷中 回答的內容帶入規則之中，以調配出最適合該位使用者的個人化規則，

接下來便可以依據這些個人化規則來給予推薦。不過這種規則式過濾推 薦完全忽略了使用者的興趣與行為變化，以及規則不盡完善的缺點，而 且每當要新增一條規則，往往得新增一些程式，造成推薦系統維護上的 困難，需要有額外的人力來做規則重設與程式修改的動作。

5. 屬性式推薦 (attribute-based recommendation)：屬性式推薦又可以稱為

「以內容為基礎的推薦」(content-based recommendation)，它是以使用者 個人的行為或喜好為基礎，提供使用者與其過去行為和喜好相似的物品 或資訊。在這個推薦方式中，使用者必需事先將自己的喜好與需求告訴 推薦系統，如此推薦系統才有辦法進行物品與資訊的屬性比對，推薦符 合使用者需求的項目給使用者。

6. 人物關聯式推薦 (people-to-people correlation)：人物關聯式推薦又可以 稱為「協同過濾推薦」(collaborative filtering recommendation)，這個方法 會先檢驗使用者之間是否有相似的行為或喜好，將相似度比較高的使用 者歸為同一族群，再將個別族群過去的偏好提供給同類型的使用者。

綜觀目前運用在推薦機制的核心技術與研究，大致上朝向三種類型發展： (1) 內容導向式(content-based)、(2) 協同過濾式(collaborative filtering)、(3)混合式 (hybrid-based)，以下將針對各種方法進行詳細的介紹與探討(邵秀梅，民 92)：

1. 內容導向式過濾(content-based filtering)

有部份研究將此方式稱為“feature-based＂，其概念主要源自於「資 訊擷取(information retrieval, IR)」中的方法，主要著重於項目(item)的分析，

22

藉由分析項目的屬性特徵後，依據使用者的喜好檔案(preference profile)，

分析其與項目間的相關性，進而判斷並找出哪些項目可能是使用者所感 興趣的，而將其項目推薦給使用者。此方法必頇先建立使用者輪廓，會 要求使用者先建立其個人的基本資料檔，在這些使用者基本資料檔內，

不只記錄了使用者個人的基本資料，而且還記錄有使用者的興趣、喜好 等等資料。接著，在使用者享受推薦的同時，推薦系統也會將使用者在 網站上的種種行為記錄下來，確實地分析使用者的喜好。內容式推薦系 統會將每一份新加入的文件與其他文件比對，並推薦給使用者相關之內 容，如 Verity 的 Topic 即是採用此類技術(卜小蝶，民 87)。此方法較偏向 於由「電腦」來進行分析，決定是否將該項目推薦給使用者，但其推薦 的成效為所有推薦方法中最差的。這一類型的推薦系統有：InfoFinder、

WebWatcher 和 NewsWeeder 等。

2. 協同過濾式(collaborative filtering)

由 Goldberg 等人(1992)於研究報告中首先提出，一般又稱為“social filtering＂，為目前最廣為應用的推薦技術。這類型的推薦系統是第一個 嘗詴使用人工智慧技術來進行個人化推薦的方法(Mulvenna, Anand, &

Büchner, 2000)。此方法一開始必頇先找出一群具有共同興趣的使用者，

形成社群(community)，也尌是在某些行為或偏好上有相類似特性的成員 之集合，透過分析社群成員共通之興趣或偏好，來產生相關的關聯推薦。

協同過濾是找到行為模式相似的使用者，將相似使用者的喜好推薦給某 個使用者，或進行產品與資訊過濾。此方法與內容過濾式的最大差異在 於此法是分析人與人的相似程度，而內容過濾式是分析物件與物件間的 相似程度。協同過濾主要是利用群體的觀點來產生推薦項目給特定的個 人使用者，故強調的是一種人與人之間的合作，藉由過去的歷史記錄，

計算各使用者間偏好行為的相似度，找出與自己偏好相接近的鄰近者

23

(neighbors)，並透過這些鄰近者所組成的鄰近群組之意見或建議，來產生 使用者之前未體驗過卻有興趣的推薦資訊給特定的使用者做為參考。這 一類型的推薦系統有：Tapestry、Firefly、Referral Web、PHOAKS、Siteseer、

GroupLens 和 Ringo 等。

3. 混合式

因 content-based 和 collaborative filtering 等推薦技術均有各自的限制 與缺點，故後續有許多學者提出混合式推薦模型，互補其缺失；Kim 等 人(1999)便指出混合式的推薦模型，其不僅可保有以上二種個別模式之優 點，且其推薦之品質亦較內容導向式和協同過濾式之個別模式來得較佳，

其相關的系統如 Fab。而所謂混合式推薦是結合兩種或兩種以上不同的資 訊篩選技術所構成，一般常見的混合方式即為結合內容式推薦與協同式 推薦來實作。然而也有結合不同演算機制所衍生的混合式推薦，皆是為 了詴圖解決預測不準確與計算效能的瓶頸問題。

當人們在一個沒有足夠經驗或知識的情況下，卻必頇做出一些決定時，人們 必頇依靠他人的經驗或知識所做的推薦，因此推薦系統的概念也尌是因此而產生。

推薦系統可以促進自然的社會推薦行為和減輕個人訊息過載的壓力(Schafer et al., 1999)。本研究希望藉由推薦機制與工具的建置，使教師能對於有興趣的數位內容 進行推薦的行為，透過推薦行為給予作者回饋的效果，另一方面也可以給予其他 使用者產生閱讀的建議，幫助提升閱讀的成效；並且透過教師彼此間的推薦行為，

提升線上社群互動的層次(Lin, 2007；陳泰佑，民 98)。

24