2. 文獻探討
2.5. 推薦方法
2.5. 推薦方法
在資訊爆炸時代，系統越來越講求個人化服務，故推薦系統(recommender system) 的應用與發展越來越快速、完善。使用者以往需要花費許多時間在眾多知識中尋找有 用、適合的知識，瀏覽許多文件，才能找到自己有興趣的文件。有此陸續有學者開始研 究自動化推薦的方法，如何藉由個人特徵、行為模式等，發展出個人化模型，進而提供
個人化的資訊與服務。企業也可透過文件推薦方法，提高組織知識使用率，讓知識快速 正確的傳遞給對的人員，使知識分享的機制更加完善且有效率，有助於組織知識管理和 分享。
協同過濾推薦最早是 1992 由 Goldberg 等學者所提出的 Tapestry[8]，為解決員工電 子郵件過量的問題，讓員工決定自己的感興趣的郵件類型，以便有效過濾符合使用者興 趣之電子郵件。1994 又有 GroupLens[10]被提出，此系統主要是應用在新聞的過濾篩選，
提供讀者其感興趣的新聞，透過讀者看過內容後給一個評比的分數，以讀者對過去感興 趣的新聞內容在未來也會有興趣之假設為前提，結合同ㄧ項目不同使用者之評分資料以 進行新聞的推薦。協同過濾推薦方法廣泛的應用在各領域，例如，Siteseer[14]利用相鄰 使用者的書籤(bookmark)進行推薦，Knowledge Pump[7]對使用者感興趣之文章進行推 薦，Ringo[19]對音樂進行推薦，MovieLens 電影推薦系統、YouTube，其他包括亞馬遜 網路書局之電子商務應用等。
推薦方法有三個，即以內容式基礎推薦方法（Content-based recommendation）、協同 過 濾 推 薦 方 法 Collaborative filtering recommendation ）、 混 合 式 推 薦 （ Hybrid recommendation）方法，簡要說明如下：
（一）內容式過濾推薦（Content-based filtering recommendation）[4][12]：
針對項目內容分析，計算該目標使用者對項目的喜好程度，進而找出目標使用者喜歡的 項目。因為內容式推薦是針對項目內容去做分析，會導致以下問題：
（a）分析物品只能用特徵集合，對於聲音、圖片、藝術品、影像、文字等沒辦法被 特徵化的內容無法處理。
12
（b）無法找出與和目標使用者過去喜好不同但目標使用者可能有興趣之項目，會失 去許多的潛在推薦的可能性。
（c）對於內容品質無法透過群體力量有效的分辨。
（二）協同式過濾推薦（Collaborative filtering recommendation）：
協同過濾推薦為目前應用較廣泛的方法，主要是利用具有共同興趣、共同經驗之群體的 喜好，來推薦目標使用者其可能感興趣的資訊，強調個人透過合作的機制，藉由過去的 行為紀錄，進而分析使用者之間的行為偏好相似度，找出與目標使用者相似度接近的鄰 居，透過相似鄰居的行為建議，給予目標使用者資訊推薦，亦可推薦使用者之前尚未發 現過卻有興趣的資訊。協同過濾式推薦可分成二大步驟，第一，利用相似度計算方法分 析群體之間使用者彼此的相似程度，以尋找相似鄰居，並進行分群。第二，預測目標使 用者對項目興趣分數，以相似鄰居為對項目的興趣程度為基礎，利用協同過濾推薦方 法，預測目標使用者對該項目之喜好分數[11]。喜好分數愈高代表愈符合使用者興趣，
可推薦給使用者。協同過濾推薦解決了內容導向推薦方法的缺點：
（a）不需要分析項目內容。
（b）可找出與和目標使用者過去喜好不同但目標使用者可能有興趣之項目，添加潛 在推薦的可能性。
（c）可透過群體力量（評分、點閱）分片內容品質。
但協同過濾推薦仍有許多限制如下：
（a）冷起始（cold start），指在系統上完全沒有任何使用的紀錄、使用紀錄過少的目
標使用者，或是尚未有點閱、交易、評價等紀錄的項目，會無法正確且有效率的推薦，
本研究即過透過加入員工屬性檔計算員工相似度以解決新使 用者問題。
（b）稀疏性（sparsity），當使用者所接觸到的物件大部分都只佔系統非常小的比例。
當產品與使用者兩者的比例差距十分懸殊時，系統就沒有辦法找到適合的推薦者來進 行推薦。
（三）混合式推薦（Hybrid recommendation）：
為了改進內容式過濾推薦與協同式過濾推薦的缺點，合併雙方的優點，結合兩種方法的 推 薦 系 統 就 很 自 然 而 然 的 產 生 出 來 。 這 就 是 所 謂 的 混 合 式 推 薦 （ Hybrid recommendation）。使用內容式過濾技術建立的使用者 profiles，用以計算使用者之間的 相似度，然後再使用協同過濾的技術，分析相似的使用者閱讀、購買行為，將相似使用 者之高興趣項目推薦給目標使用者。