推薦機制

Engel, Kollat and Blackwel 在 1968 年提出了消費者行為模式的理論，消費者 的行為並非「購買」這單一的動作，而是連續性的決策過程，其決策過程可分為（1）

需求認知、（2）資訊搜尋、（3）選擇評估、（4）購買、（5）購後行為評估五個階段。

而推薦機制主要則在協助消費者縮短決策過程中資訊搜尋的時間，在眾多的資訊中 迅速取的有用的資訊以進行選擇評估。

一、推薦機制分類

Schafer et al.（1999）分析使用推薦系統的 Amazon.com、CDNOW、eBay、Levis、

Moviefinder.com 及 Reel.com 六個網站，依據推薦資訊的方式，將推薦系統區分為非 個人化推薦、屬性式推薦、物件關聯性和使用者關聯性四種。

1. 非個人化推薦 （Non-Personalized Recommender）

自動的將其他客戶對產品的評價資訊提供給資訊使用者，這些建議是獨立於資 訊使用者的，所有的資訊使用者均得到相同的推薦建議。在實體商店中此推薦方式 很常見，所有人都可以看見相同的廣告促銷資訊。

2. 屬性式推薦（Attribute-Based Recommender）

根據產品的屬性向資訊使用者進行推薦，例如資訊使用者搜尋歷史書籍，電子 商務網站提供推薦書籍的列表。基於屬性的推薦方式需要資訊使用者描述其所想要 購買的產品屬性，才能獲得建議。此種推薦可能是短暫（單次）的或個人的，取決 於電子商務網站是否記住客戶的屬性偏好。例如電子商務網站請資訊使用者輸入一 組有興趣的產品類別，持續發送選定類別的推薦，直到客戶關閉請求，即屬於個人 的屬性式推薦。

3. 物件關聯性（Item-to-Item Correlation）

根據歷史資料找出物件之關聯性，利用此高度關聯性去做物件間之推薦，當資 訊使用者購買了某產品即推薦其該產品相關之物件，此種方式非關資訊使用者的歷

史資訊，僅就其選擇的商品進行推薦。

4. 使用者關聯性（People-to-People Correlation）

透過資訊使用者的購買模式或點擊搜尋所隱含的資訊進行學習，根據資訊使用 者之歷史資訊尋找與其有關聯的其他資訊使用者，對不同的資訊使用者進行相互之 推薦。

二、推薦機制之技術

隨著網際網路普及，資訊使用者可在網路上即時的獲取大量的資訊，但亦因資 料超載問題致難以迅速由眾多資料中釐析出所需的資訊。因此電子商務廣泛的應用 推薦系統，提供有用且具參考價值之資訊以協助消費者縮短資訊搜尋及提供替代性 方案供評估的過程，使消費決策更加順暢。

目前最為廣泛運用的推薦技術可分為內容式過濾及協同式過濾兩種（Sarwar et al., 2000）：

1. 內容式過濾推薦技術（Content-Based filtering approach）

內容式過濾推薦是指資訊使用者將其需求提供給系統，系統再依該名資訊使用 者的歷史消費紀錄偏好，篩選適合的產品予以推薦，此過程僅就該名資訊使用者之 相關資料單一處理（Ujjin & Bentley, 2001）。

2. 協同式過濾推薦技術（Collaborative filtering approach）

協同式過濾推薦是指系統蒐集資訊使用者的輪廓，尋找其他有相同偏好或興趣 等偏好的使用者，將相似使用者群體的資訊相互推薦。協同過濾推薦技術的基本概 念是如果人們有相同的行為，例如購買類似的物品，他們此後也會採取類似的行動

（Goldberg et al.,2001）。此技術最早應用於 Tapestry system（Goldberg et al.,1992）。

以上常用的兩種推薦技術各有限制，比較整理如下表 6。

表 6 推薦技術的限制

內容式過濾推薦技術 協同式過濾推薦技術

不受新產品冷啟動問題影響。 受新產品冷啟動問題影響。

無法管理意外因素或事件。 能夠管理意外因素或事件。

內容式過濾推薦技術 協同式過濾推薦技術

& Shoham, 1997; Claypool et al., 1999）。 三、推薦機制應用於旅遊之相關研究

作者 年分 研究結果 分成兩個層次，Inter-site 及 Intra-site。本機制考慮景點熱 門度、旅客的興趣及景點雍塞程度等因素，採用群體智慧 觀多個景點所花的平均等待時間；並透過 Inter-site 加上共 現理論的機制達到城市中各景點的壅塞程度平衡，同時也

四、小結

推薦機制依據使用者之偏好推薦符合使用者之產品或服務，以協助使用者解決 資訊過載的問題（李麗華、鄭婕妤、李富民、廖姶涵，2012），除適用於一般熟知的 圖書、音樂和影片等商務外亦應用於旅遊，其相關的研究多以試圖建立旅遊推薦系 統為研究標的，而近年則開始探討實際旅遊體驗後推薦機制之建立。過去學者建構 的推薦機制多為「推薦的有效性改良」，缺乏時間的串聯。因此，本研究從時間的縱 斷面作為推薦機制的基底，以期強化例行活動推薦機制時間的連貫性。