第二章 相關研究
2.1 推薦機制
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二章 相關研究
本研究的目的是在對線上分析處理 (On-Line Analytical Processing，OLAP)系統的使用者 行為進行分析，經由推薦輔助系統提升企業在於商業智慧專案的推廣。研究的過程中，
參考的觀念技術包含在 OLAP 上的使用者行為預估[9][13]與推薦技術[17][19][21]、網頁 推薦機制[12]與資料探勘[6][14]等；此外，我們也會利用社群網絡分析(Social Network Analysis，SNA)的技術[15][16]，依據使用者在 OLAP 系統上操作的相似度，將一個大網 絡分割為多個同質的凝聚子群，並且識別每個人在各社群中的專家程度，並且反應至推 薦系統的加權係數中，以提昇推薦的精確度；後續我們將對這些相關研究作進一步的探 討。
2.1 推薦機制
日常生活中我們在做決定時，通常會參考外部的建議後，才做出最後的選擇；舉例來說，
在決定看哪部電影或者是買甚麼車時，我們可能會上搜尋引擎查詢別人的評價或者是參 考此領域專家的文章，而做出最適當的決定。不過當能參考的資訊過多的時候，反而不 知道哪些資訊是有效，也因此有許多技術與研究用來協助我們在巨量資料中取得所需的 資訊，而推薦機制就是其中一個經常被使用的輔助方式。一般的推薦機制主要是以資訊 過濾為基礎，利用歷史經驗來分析使用者的行為模式，進行喜好的預測來降低資料過載 的情形。在一個推薦系統中，將會依據使用者的操作習慣，協助使用者在眾多物件篩選 出候選的物件，然後推薦符合使用者需要的資訊。一般的推薦系統主要分為三種類型：
內容式資訊過濾推薦系統 Content-Based Filtering Systems
協同式資訊過濾推薦系統 Collaborative Filtering Systems
混合式資訊過濾推薦系統 Hybrid approaches
不同的推薦系統著重於解決不同的推薦問題，而相關研究的探討範圍包括：資料取 得的方式、推薦系統的應用領域、推薦方法的革新等。下面將個別作說明：
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
內容式資訊過濾(Content-based Filtering)[9][20]：系統首先會收集使用者資訊，
像是該使用者曾經瀏覽過的網頁及這些網頁的屬性(例：關鍵字或類型等)，並 分析過去使用者的資訊，每個項目皆會有屬於自己的屬性標籤，而所有項目集 合起來就是一個使用者的喜好主檔。在進行推薦的時候，我們會依據各項目相 對於使用者的主檔資訊作匹配，判斷哪個項目最適合做為推薦。此過濾方式通 常運用文件自動分類的方法，並適合用在處理半結構化的文件上，且最常被使 用在有限屬性的項目上，像是書籍與電影上。
協同式資訊過濾(collaborative Filtering)[5][7]：依據擁有共同經驗之群體的喜好，
來推薦使用者感興趣的資訊。利用合作的方式提供個人對於資訊的評分，而評 分不一定只能侷限於感興趣的部分，不感興趣資訊的部分也相當重要。此方式 在進行推薦時，首先依據使用者對於項目的評比建置使用者的主檔，然後利用 統計或者是機器學習的方式來建立各使用者所屬的群集，我們稱之為「最同好 群（Nearest Neighbors）」，最後藉由同好群集內的成員所喜好的項目作推薦，
過程中會結合權重的觀念來產生有順序的推薦項目。
混 合 式 資 訊 過 濾 (Hybrid approaches) ： 結 合 Content-based Filtering 與 collaborative Filtering 兩種方式，即本研究採行方式。
在本研究中，我們將會利用內容式資訊過濾的方式，找出相似度一致的項目做為推薦的 候選項目；此外我們在協同過濾上我們將會利用社群網絡分析的技術，對使用者進行同 質資訊需求的分群取代一般的個人背景與使用者喜好的收集，我們將會找出候選項目中 哪幾個項目，在相同子群內的使用頻率或使用人次最高做為推薦的標的。下列我們將先 介紹幾個在 OLAP 推薦上相關的研究，後續將會對社群網絡分析上的相關研究作說明。
2.1.1 OLAP 推薦機制
線上分析處理 (On-Line Analytical Processing，OLAP)是一種提供使用者存取資料倉儲的 前端應用，協助決策者快速且有效率的從巨量資料中取得決策所需的資訊。藉由資料模 型(Cube)的建置，提供決策者可以利用多維度的觀點，依據不同的主題與面向來對資料 進行分析。在資料操作上，利用維度階層上向下探勘(Drill-Down)與向上彙總(Roll-Up)
‧
維度(Dimension)：檢視一個問題時所用的分析面向，如時間、區住地與學歷等，
通常都是描述性的項目。而維度的使用方式又分為報表維度與條件式維度。報 表維度指的是我們一般放置於報表的行列資訊，主要是用來呈現此維度各成員 的量值彙總資訊，提供的操作方式包含鑽研(Drill-Down 與 Roll-Up)與樞紐 (Pivot)等。而條件式維度，主要是用來界限報表呈現的內容，例如檢視 2009 年北美的銷售數字中的『2009 年』與『北美』，主要的操作方式是切面(Slice)。
在 Carsten Sapia(1999)的研究[9]中，作者利用內容式資訊過濾(Content-based Filtering) (Balabanovic & Shoham, 1997) 方式做使用者行為的預測，Carsten Sapia 認為 OLAP 系統 上每一個查詢都代表著一種商業問題，而在相似商業的問題處理時會有相似的模式 (Patterns)。因此他將 OLAP 上的操作(MDX 查詢語句)正規化為集合的表示式，做為此查 詢的 Query Prototype。作者將正規化後的集合，經由『維度的層級(Level)差異』與『維 度的功能(Result 或 Selection Dimension)』兩個面向，計算兩個查詢語句的相似度。最後 再以相似度的判斷結果，預測該使用者下一步操作。不過在此研究中，存在因忽略認同 度而產生『最相似的查詢等同是最適合推薦的項目』的錯誤，單純以資料本身的相似度 作為判斷，有可能此查詢本身是錯的，但只因它最相似而誤認為最適項目。因此在本研 究中會先以相似度高低找出候選的項目，然後進行認同度進行投票後，找出最適合的推 薦項目來改善此問題。
在 Chen & Hsu (2008)的研究[20]中，作者進行生手推薦機制、老手推薦機與分群推 薦機制的比較。作者認為 OLAP 系統上的使用者應該有生手與老手間之分，生手在此研
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
究中將考慮在所有的使用者的操作紀錄，計算出使用頻率最高的三個項目進行推薦。但 隨著使用者在系統操作經驗的累積，使用者在系統上的推薦需求反而是以往不曾使用過 的項目，以提升使用者對於系統功能的使用率。作者利用 K-Means 分群演算法依據使用 者行為的相似性進行分群，提升推薦分析資料的精確度。
不過此研究主要是推薦各個 Cube 使用頻率最高的前三名項目，不過實際上 OLAP 系統的操作是一個序列的操作，需要經由多個相關的項目組合才能取得一個有效的結果。
但是在同一個 Cube 上使用頻率最高的三個項目組合起來，絕大部分不會是我們問題解 決所需的資訊，因此在本研究中，我們依據使用者當下的操作內容的相似度判斷，並且 整合社群關係的推薦機制來找出最適合的推薦項目。
2.1.2 網頁推薦機制
隨著網際網路的發展與網路頻寬的普及，人們可以快速獲取所需資訊的管道日益擴增。
但伴隨著網站數目大幅度的成長，如何在巨量資源中找到有價值的資訊就變成最迫切的 議題；也因有搜尋引擎的發明，藉由關鍵字的查詢有效的縮小資料範圍。搜尋的過程中，
使用者會輸入所需資訊的關鍵字，但由於網路資源實在太多，且單一關鍵字通無法明確 描述出真的資訊需求。因此搜尋引擎查詢的過程中，通常會藉由演算法計算各頁面符合 的機率並且排序後呈現結果，避免查詢的結果發生方向偏離的情況。
使用者評分（User Rating）的方式是一種經常見的推薦方式，是以使用者的角度來 進行推薦。藉由使用者上傳對於各項目的評分後，經由公式的計算統計評分的結果。像 是雅虎拍賣網站，在每次交易後讓買家與賣家互相評分，協助後續其他人在交易時很容 易知道對方的信任評分。但是此種方式僅限於在於票選項目很少的時候，才可以讓使用 者對於全部項目進行評分，然後再依據評分結果進行推薦。但在網際網路這樣可能的候 選項目是幾千幾萬個的情況下，要讓使用者對於每個項目進行評分幾乎是不可能。因此，
就有許多論文研究各種演算法，依據使用者的歷史操作紀錄，模擬每個人對於各網頁的 喜好進行評分，最後再依據統計的結果進行推薦。
2.1.3 Page Rank 演算法
‧
由 Google 創始人 Brin 和 Page (1998)所提出的 Page Rank[11]便是其中最為著名的一個評 分演算法，此方法將查詢結果依據實用性作為排名的一個主要因素，用以表現網頁的相 在以 Session 為導向[10]的特性(Newman, 2006)；因此我們在設計 OLAP 推薦輔助機制上 亦可參考 Page Rank 演算法中的兩個特性，可以透過鏈結關係進行認同投票，將同情境 下操作人次最多的項目視為最適合推薦的標的，此外我們亦會依據每個人的老手程度，
對使用者的認同票進行加權，用以取代以往一人一票的方式。