推薦導覽系統

隨著科技發達、資訊量暴增，雖然有搜尋引擎，只要打上關鍵字便可以得知 哪些物品與此關鍵字相關，但是使用者往往必須個別檢視之後才能得知是否有它 需要或是喜歡的訊息，如此則白白浪費了使用者的時間。因此需要一個能節省使 用者時間、預測使用者喜好的機制來解決此問題，甚至主動地為使用者發掘出喜 歡的資訊，而此機制便是推薦系統。推薦系統是代替搜尋引擎的好方法，因為推 薦系統可以幫助使用者發現自己從未發現的喜歡的項目。推薦系統發展的主要目 的為解決資訊過載的問題和提供使用者個人化的推薦、內容和服務，目前已經廣 泛的被研究與應用。推薦系統是一種資訊過濾（information filtering，IF）的技術，

嘗試呈現出使用者可能喜愛的物品，像是電影、音樂、書籍、網頁等。典型的推 薦系統是在使用者的個人資料中，依照使用者描述記錄（profile）與喜好特徵做 對應，找出使用者喜愛的項目。

推薦系統收集使用者喜好的過程可以區分為兩大類：顯性（Explicit）與隱性

（Implicit）評比的資料收集方式。顯性評比的方式為透過使用者主動輸入作為 推薦的依據，此方法好處是正確明瞭，但缺點是使用者涉入程度高並造成使用者 負擔，例如：要求使用者填寫自己喜歡的項目；相對的，隱性評比的方式則是系 統自動記錄使用者的行為，分析出使用者可能的偏好，此方法的好處是降低使用 者負擔，但最大的缺點是資料正確性的疑慮，例如：系統自動監視使用者瀏覽的 行為。無論是顯性或隱性評比的方式，主要目的皆是從大量的資訊中分析出使用 者可能感興趣的項目、以降低使用者的搜尋的時間（張毓倫，2003）。

推薦系統已經被廣泛地深入研究，而在網路上也有許多推薦系統的實務應 用。通常推薦系統可分三類，分別是內容導向式（Content-Based）、協同式

（Collaborative）以及混合式（hybrid）。以下介紹上述三種不同的機制（Giridhar，

2008）：

一、 內容導向式推薦是較廣為運用的一種，主要是考量內容的相似度，此方法的 基礎為依據商品的屬性及內容來尋找出相似的物品，將相似於顧客過去曾 購買的商品推薦給顧客，使顧客再次購買相似的商品。內容導向式推薦是 根據使用者描述記錄與項目的特徵來進行比對推薦。建立使用者描述記錄 時，其記錄內容包含使用者的喜好、興趣和需求。完整的描述記錄能夠從 使用者找出重要資訊。此機制的限制歸納如下（鍾博欽，2009）：（一）有 限的內容分析（Limited Content Analysis）：由於內容導向式推薦須先定義 項目的屬性，以便系統能夠自動擷取需要的特徵，而處理內容大部分都是 文字，較難用在多媒體上；或是遇到語意問題時，系統無法分辨一字多義 或 同 意 詞 的 情 況 時 ， 會 產 生 不 正 確 的 結 果 。（ 二 ） 過 於 特 定 化

（Overspecialization）：由於內容導向式推薦是根據使用者描述記錄進行項 目推薦，只會找到與使用者描述記錄中描述相符、與過去喜好相似的項目，

無法推薦使用者沒接觸過的項目。（三）新使用者問題（New User Problem）： 系統進行推薦前，使用者必須對足夠數量的項目進行評分，讓系統暸解使 用者喜好。系統若對使用者的喜好沒有足夠的瞭解，則難以產生良好的推 薦列表。

二、 協同式推薦的應用則可以在各大網路書店看到，例如博客來網路書店在使用 者購物時，提供買了此商品的人也會買另一個商品（people who buy x also buy y）的功能。協同式推薦系統與內容導向式推薦系統相同之處，在於兩 者都會在處理過程中考慮使用者的喜好，但不同之處在於協同式推薦系統 會將其他人的喜好一同納入考量，是一種利用人與人之間的相關程度來進 行推薦的方式。協同式推薦系統藉由分析行為相似的使用者之行為，用來

對另一個使用者進行推薦，而協同式推薦系統常用的演算法是相近鄰居法 則（Nearest Neighbor）。一般協同式推薦的步驟如下：先讓使用者使用系統 後，對系統內的項目進行評分。系統根據各個使用者對項目的評分，進行 使用者相似度的計算。對於特定使用者，系統將以相似度高的使用者使用 過、而對於特定使用者未使用過之項目推薦給該特定使用者（湯玉琳，

2007）。而協同式推薦有其限制，分別為新使用者問題（New User Problem）、 新項目問題（New Item Problem）、稀疏性（Sparsity）等三類限制（Adomavicius, G.; Tuzhilin, A. 2005）：（一）新使用者問題：協同式與內容導向式兩者都 必須讓系統暸解使用者喜好才能進行正確的推薦。而通常是以混合式推薦 系統來解決此問題。（二）新項目問題：協同式推薦是依靠使用者喜好進行 推薦，若有新項目加入系統中，則必須有其他使用者進行評分之後，才能 對使用者進行推薦。而此問題混合式推薦系統也可解決。（三）稀疏性：系 統的項目方面，已評分的項目往往比待評分的項目少，而協同式仰賴大量 的使用者評分，從少量的樣本中產生有效的預測會是個關鍵的問題；系統 的使用者方面，若使用者的喜好特殊難以找到喜好相似的使用者，則會產 生較差的結果。

三、 混合式推薦系統則是結合了內容導向式和協同式兩種推薦系統的機制。混合 式推薦系統可以根據權重組合多種方法形成不同的混合式推薦系統。

然而，如何將推薦系統應用於競爭激烈的商務環境中，提昇企業的市場佔有 率及增加企業競爭力是相當重要的。推薦系統降低使用者的資訊負載，並根據使 用者描述記錄來推薦一些物品給使用者，藉此來留住消費者。而推薦系統將推薦 結果呈現給使用者有許多的方法，不同的呈現方式同時也是網站獲利的方法，要 選擇哪種呈現方法得根據使用者如何使用該網站做決定。以下介紹推薦結果的呈 現方法（Schafer, Konstan, & Riedi，1999）：（一）瀏覽（Browsing）：可以結合不 同專家的推薦組合以提供更高品質推薦。呈現推薦項目時，同時提供超連結省去 使用者搜尋的時間。（二）相似項目（Similar Item）：依使用者喜好推薦使用者未

使用過而可能感興趣的項目或使用者遺忘的項目。（三）電子郵件：當商品上架 可購買時，搶先其他業者，利用Email 提醒使用者。有使用者感興趣的新商品出 現時，亦可如此提醒使用者。（四）文字評論（Text Comments）：使用者可以針 對商品進行評論。評論可以作為其他使用者購買的參考，讓其它使用者對該商品 感興趣甚至是購買。（五）平均評分（Average Rating）：使用者可以針對商品進 行評分，之後系統自動將各使用者的評分算出平均分數。讓其它使用者作為參 考，對該商品感興趣甚至是購買。（六）排行榜（Top-N）：當購物網站知道使用 者喜好時，即可提供個人化的熱門商品排行榜，即使商品是使用者未評分的。（七）

排序搜尋結果（Ordered Search Results）：是從排行榜演變而來。使用者可以根據 喜好依據項目屬性進行不同的排序。另一方面，推薦系統在電子商務可帶來的效 用如下：（一）瀏覽者轉變為購買者(Browsers into Buyers)：大多數的使用者只是 瀏覽網站，而沒有購買任何物品。推薦系統吸引並幫助瀏覽者找到想要的物品。

（二）交叉銷售(Cross-Sell)：由推薦系統建議額外的商品，期望增加銷售機會。

（三）忠誠度(Loyalty)：推薦系統可以讓顧客得到想要的訊息，使顧客仰賴推薦 服務，以此提高顧客再度光臨的可能。由於推薦系統有以上優點，因此推薦系統 被廣泛地在商務中應用。

隨著科技進步，行動上網逐漸受消費者與企業青睞，透過行動上網可以享受 到越來越多的服務。行動商務是電子商務的拓展，透過無線網路，使用者可以利 用手持裝置隨時隨地進行行動商務。以消費者為訴求的行動商務主要可分四種類 型：（一）行動溝通服務。簡訊之類的非語音的溝通服務，此服務配合定址系統 可做到一對一行銷服務、緊急服務、追蹤服務（二）行動娛樂服務。音樂、遊戲、

影音等娛樂性質的應用服務。（三）行動資訊服務。由定位系統確認出消費者位 置，依個人需求和位置，即時提供個人化的定址服務。（四）行動交易服務。利 用行動通訊進行買賣或進行金融商務，由於手持裝置多屬個人隨身攜帶物品，比 起公用電腦或桌上型電腦更隱密安全。透過手持裝置和無線通訊，行動商務的使 用者可以隨時隨地提供使用者更佳的時間價值（value for time），比起有線網路

使用者，無線網路使用者具備此種優勢。隨著行動市場成長，推薦系統與行動科 技結合，形成了行動推薦。而許多網站也為行動裝置提供行動網頁，將各類服務 以行動網頁呈現。表2-3 為介紹以行動科技進行推薦服務的相關研究。

表2-3 推薦系統結合行動科技的相關文獻

作者（年代） 內容

陳嘉千（2005） 直銷業是一個高度行動化及重視顧客

關係管理的產業，適合導入行動科技。

為改進開發新客戶沒有效率的情況以 及有助於瞭解顧客採購習慣進行商品 推薦，該研究採用資料倉儲及資料採礦 建置系統機制。其研究貢獻可以幫助直 銷商隨時隨地藉由行動設備加速行銷 流程的進行，可以接觸更多客戶。而利 用資料採礦分析，可以開發潛在客戶，

提高商品推薦成功機會或是進行商品 搭配銷售。

續下頁

表2-3 推薦系統結合行動科技的相關文獻（續）

表2-3 推薦系統結合行動科技的相關文獻（續）