推薦系統主要架構

推薦系統的主要架構，一般認為以Schafer 提出的架構較為完整(Schafer 2001)。在此架 構下，Schafer 將系統分為社群輸入變數（Community inputs）、個人化程度（Degree of personalization）、遞送（Delivery）、個人輸入變數（Target customer inputs）及推薦方法

（Recommendation method），其架構如圖 18。

NCTU SG NCTU Abu PIE@NCTU

圖 18 推薦系統主要架構。修改自資料來源：(Schafer 2001)

（一） 輸入與輸出

「輸入」指進行推薦分析之前需要輸入的資料，Schafer 將之區分為個人輸入變數及社群 輸入變數。個人輸入變數包括了以下五個項目(Schafer 2001)，若能完整記錄則能較完整的描 繪使用者的「樣貌」（profile）。

1. 隱性輸入（Implicit Navigation）：由使用者的瀏覽記錄可以得知使用者有興趣的物 件，這些平常的瀏覽活動，包含停留時間、順序、點選流向等都在在表示了使用者 獨特的興趣與偏好。例如Amazon.com 就是使用隱性輸入的典型網站。

2. 顯性輸入（Explicit Navigation）：以問卷方式請使用者自行填入偏好，通常在加入會 員時輸入，平時也可修改。Amazon.com 在新會員註冊時也會要求（選填）新用戶

填寫。

3. 查詢關鍵字（Keywords/Item Attribute）：將使用者輸入的關鍵字也視為喜好。

4. 評價（Rating）：使用分級制（如一至五顆星）或二元式（喜歡不喜歡）對購買過的 物件評分。

5. 購買歷史（Purchase History）：使用者真正去購買的物件表示了最強的偏好，此類記 錄也應視為是一種隱性輸入。

社群輸入變數可以描繪群體對物件的偏好。由於是社群總體對物件的大量記錄，因此可 以取得物件的屬性資料，這是與「個人輸入變數」欲取得個人資料最大的不同。社群輸入變 數包括了：

1. 物件屬性（Item Attribute）：包括物件目標、客戶標籤與物件類別。例如「影片」類 型相較於「二次世界大戰後期紀錄片」的等冷門類型，前者較可能擴大目標客戶群。

由此可以判定商品是屬較熱門或冷門商品。

2. 熱門程度（External Item Popularity）：特定節日如耶誕節會有大量需求，或是本身已 是熱門商品，通常銷量較高。由此可以判定商品是平常即暢銷或節日熱銷。

3. 社群購買記錄（Community Purchase History）：社群的購買記錄是由個人記錄構成，

因此可以找出商品的銷售趨勢，或是相似商品之間的關係（例如替代性、互補性）。

應視為另一種隱性輸入。

4. 商品評價（Rating and Text Comments）：有些網站特別鼓勵使用者留下文字評價。文 字比星等或喜不喜歡等更容易吸引顧客。

一個優良的推薦系統應該綜合個人以及社群輸入變數，以便作出最符合客戶需求的推薦。

在「輸出」部份，Schafer 的架構將推薦的輸出分為三級(Schafer 2001)，包括：

1. 建議（Suggestion）：指未排序過的推薦。通常直接放在網頁上以「試試這個（try this）」

的形式呈現、通常是單獨項目（只會一次出現一個推薦項目），例如Amazon.com 的 個人化首頁。

2. 預測（Prediction）：有結合或不結合個人化偏好二種預測推薦。Schafer 指出 MovieFinder 對電影即提供了「大家的評價」與「我們的評價」兩種預測推薦。

Amazon.com 對書籍也有專家書評以及讀者書評兩種，其評分也是獨立計算。

3. 評價記錄（Rating）：讓使用者除了看到總分之外，還可以看到個別評分記錄，以方 便了解大家的評價是否一致。

（二） 推薦方法

Schafer 的架構(Schafer 2001)將推薦方法整理為五類，而此五類各有優缺點、並非是替代 關係，通常可整合多種方法達成所需的推薦效果。

1. 基本搜尋（Raw Retrieval）：即網站上的搜尋功能，以關鍵字比對。以 Amazon.com 為例，其提供的是全文檢索，然而大部份網站僅提供特定欄位之搜尋，在此狀況下 使用者不一定可以找到未登錄在主要欄位關鍵字之資料。

2. 人工選擇（Manually Selected）：人工建立推薦清單，由於通常是專家建立，具有較 高的參考價值，例如《中國時報》人間副刊的年度選書、誠品選書等名家書單。

3. 統計分析（Statistical Summaries）：提供總體使用者的統計數據，這也是網站常使用 來推薦熱門商品的方法，例如熱門一百大、每月暢銷書榜等。此類排行榜通常能發 揮導引功能並成為閱讀指標，然而也招致可能造成閱讀普及化障礙的疑慮(陳慧 敏 )。

4. 屬性基礎（Attribute-based）：以產品的詮釋資料屬性作為推薦的判斷，通常會與使 用者的偏好或動作連結。例如推薦新商品給曾買過同類產品的使用者，即內容導向 過濾（Content-based filtering）。

5. 商品間關聯性（Item-to-Item Correlation）：商品之間可能存在某些關聯，例如印表機、

印表耗材的互補關聯，或單冊書籍、散文精選的替代性關聯等。例如Amazon.com 在使用者將一商品放入購物車時，會看到一頁「買這件商品的人，也會同時買下列 商品」的資訊。

6. 顧客間關聯性（User-to-User Correlation）：根據使用者與使用者之間的關聯性作為 推薦基礎，即協力式過濾（見協力式過濾與關聯規則探勘，頁33）。使用者之間可 能因類似的操作習慣或偏好，可歸為同一類別中，而相同類別的群體意見會影響個 人的推薦結果。

（三） 個人化與傳遞

Schafer 提到仍有其他在設計上需要考慮到的議題(Schafer 2001)，包括了個人化與傳遞。

個人化包括了三種，分別是無個人化（Non-Personalized）、暫時性的個人化（Ephemeral Personalization）以及長期性的個人化（Persistent Personalization）。無個人化指的是大家在同 樣的操作下會得到相同的推薦，例如查詢某本書，網站會推薦同類型的書籍。暫時性的個人 化是以一個時期（Session）作為推薦基礎，例如瀏覽時的點選流向作為推薦基礎（見圖 19 紅框處，Recommended Based on Your Browsing History）。通常是以「項目間的關聯性」與「屬 性基礎」兩種方法作出推薦。長期性的個人化需要追蹤使用者長期的使用記錄，例如交易歷 史或圖書館的借閱歷史檔，並利用資料探勘的方法找出使用者之間的關聯。

圖 19 Amazon.com 的個人化推薦。資料來源：Amazon.com 網站

在經過輸入、分析後，最後即是傳遞推薦的方法。好的網站通常會巧妙的融合以下三種 傳遞方式，在最適當的時機送出推薦結果，得到事半功倍的效果；反之，則容易干擾使用者，

甚至降低推薦效果。傳遞包括了推式（push）、拉式（pull）及被動式（passive）。推式即指使 用者無需任何動作網站即會自動送出推薦結果，常見的例子如廣告信；此種效果通常最低，

因為大部份廣告推薦信皆未作到個人化，且發送太頻繁造成困擾；至今除了Amazon.com 少 量使用外，其他網站少見廣告推薦信。拉式即是使用者主動要求，例如點選連結後才看到推 薦清單。被動式是現在最常見的方式，也是效果最好的一種；原因在於它藉由使用者的操作 作為推薦基礎，在行為上產生互動，使用者的接受程度較高，例如輸入關鍵字後再送出相應 的推薦清單（見圖 19 黃框處，Customer with similar Searches Purchased）。

在Schafer 的架構中可以發現，推薦的輸入是後續分析以及輸出的關鍵，具有連動的影 響性。若需要作到長期性的個人化，便需要在顧客資料之間找出關聯、定義所要解決的商業 問題並因應資料結構使用適合的推薦演算法（Recommendation Algorithm），輸入變數部份就 必須包含歷史交易資料。也就因為從輸入到輸出整個過程之中，包含了商業面及技術面的考 量，而使得推薦系統各不相同。

推薦系統的終極願景，在於每個使用者都能夠看到一份屬於自己偏好的網站內容。使用 者不再需要自行一一挑選、過濾想看的內容。資訊沒有超載的問題，因為出現的都是根據偏 好及互動而過濾出來。Amazon.com 的執行長 Jeff Bezos 說(Schafer 2001)：「如果我有三百萬 個客戶，那麼我應該就有三百萬個網路商店」。