推薦系統（Recommendation system）一般也泛稱為篩選系統（Filtering
system），近年來已被廣泛的研究與應用，儼然已成為一門獨立的研究領 域（Resnick & Varian, 1997）。推薦系統主要之基本意涵，則是依據使用 者偏好、興趣或需求，在資訊量眾多的可能選擇中，推薦給目標使用者 所需要的潛在資訊內容或商品項目，其所採用相關技術則分別透過數學 統計、資料探勘、資訊過濾與擷取等，來進行篩選資訊並提供服務，進 一步針對商品或項目以即時操作互動來給予個人化方式推薦（Sarwar,
Konstan & Riedl, 2000；Burke, 2002；Rashid et al., 2002）。而對於不同應 用層面及領域的推薦系統，其研究之主要定義將有不同的表達方式，但 對於本研究所構想之研究主題而言，一個較適切的定義則採用學者 Van
望藉由確定使用者個人的興趣偏好，來協助使用者在眾多的相關資訊 中，快速且明確的找出需求資訊之操作系統」。一般推薦系統主要進行流 程大致可分為三個步驟，第一步驟為蒐集使用者相關資料，並建立資料 檔；第二步驟則依據使用者的資料檔進行分析判斷來產生推薦動作；第 三步驟針對使用者對推薦項目結果評比並回饋給系統做適當的修正與調 整，此流程步驟進行方式為一般常見的推薦系統。
目前推薦系統運用於各個科學領域，在電子商務領域（Electronic
commerce）更是一門專門的研究。然而資訊技術日漸成熟，網際網路無 遠弗屆，使得電子商務發展盛行並且充滿挑戰，對於企業商家跟消費者 而言，為了適應改變都必須產生新的經營及消費模式（Kim et al., 2005）。
而在電子商務的研究領域中，學者考慮到目前因科技快速發展，產 品不斷的推陳出新，而產品生命週期也將不停的在縮短，消費者及顧客 的興趣也會隨著時間變化推移而一直在改變，因此在最近幾年來有許多 相關研究漸漸開始將「時間（Time）」因素加入資訊推薦系統的運作中
（Huang & Huang, 2009），但這類新議題之研究，仍須考量的部分還很 多，尚未完全還需加強補足。
現 今 推 薦 系 統 依 介 面 及 應 用 來 產 生 推 薦 的 則 有 瀏 覽 搜 尋
（Browsing）、排序搜尋之結果（Ordered search results）、類似產品項目
（Similar items）、流行排行榜（Top-N）、文字評論（Text comment）和平
均評價（Average rating）、電子郵件（E-mail）等，依照推薦系統之需求 建置。
而推薦系統之機制則依照核心技術及設計方法分為四種，分別為：
（一） 非個人化（Non-personalized）
此方式推薦的產品及資訊大多是以當時最熱門為主要推薦內容，如 排行榜等，此機制並不針對個別使用者偏好興趣去推薦，所以每位使用 者都會獲得相同的推薦，其推薦效果相當有限。
（二） 屬性導向（Attribute-based）
此方式也稱為「內容導向式推薦」，其內容所指的是以使用者對資訊 或產品的特定偏好或需求，來與系統進行配對的動作，推薦出符合使用 者的資訊及產品（Asim, Skander & Rajeev, 2000）。
（三） 項目相關性（Item-to-item correlation）
此類方式則利用產品或項目資訊之間的關聯規則，來產生推薦動 作。研究上常用資料探勘（Data mining）相關技術來從資料庫中找出兩 項目之關聯。
（四） 組群相關性（People-to-people correlation）
此類將具有相同興趣與偏好的使用者歸類為同一群，再依據群內使 用者的相同偏好，推薦給相同偏好的使用者，也就是所謂「協同合作式 推薦」（Schafer, Konstan & Riedl, 2000）。
根據上述研究技術之發展，推薦系統能為電子商務產生相當大的效 益，更能為企業帶來更多的利益，而已有不少企業已成功的使用推薦系 統於電子商務上，以下將舉例其中較著名之成功案例。
1. amazon（亞馬遜網路平台）
為網際網路電子商務上的經營典範，擁有相當完整與大量的產品 項目與使用者交易紀錄資訊，並且自行發展出一套結合推薦演算法與 協同合作式的混合式推薦系統來進行產品之推薦，而其主要進行方式 則為系統根據使用者交易記錄、項目內容與滿意度評比，來預測使用 者對於各種項目產品的接受程度，並且進一步即時的依使用者所購買 過及評價過的項目產品，藉由分析及計算來推薦其他相似的產品項目 給使用者。
圖 2-1. amazon.com（資料來源：http://www.amazon.com/）
2. ebay（商品購物網路平台）
為全球性的大型網路平台，包含了大量的商品及資訊在這被刊 登、販售及賣出，而推薦則分別採用協同合作式與內容導向式兩種推 薦方式，以買賣雙方之評比與信用度資料，經篩選後來推薦給其他買 家及使用者，另一方面也利用使用者過去的交易紀錄，來分析推測其 未來的購買行為，進而提供個人化的推薦服務。
圖 2-2. ebay.com（資料來源：http://www.ebay.com/）
目前推薦系統研究當中，依推薦方式則主要分為內容導向式推薦系 統、協同合作式推薦系統及混合式推薦系統，以下將分別詳述其主要定 義、進行方法及優缺點與相關限制。
（一） 內容導向式推薦系統（Content-based recommendation system）
此推薦方式主要的概念來自於資訊篩選（Information filtering）和資
訊擷取（Information retrieval）領域所衍生發展而來（Belkin & Croft,
1992；Baeza-Yates & Ribeiro-Neto, 1999）。
此方式進行之基礎則依據項目物件的屬性及內容來進行比對與判 斷，進而尋找出兩兩之間相似度高（Similarity）的項目物件，也可依據 使用者興趣、偏好或者過去曾接觸過的項目，來推薦給使用者相關的內 容與資訊。內容導向式推薦系統主要之優點則包括：
1. 依據個人興趣偏好推薦
可直接依據使用者個人興趣偏好來進行項目的篩選推薦，相較於 協同合作式推薦，對於項目受推薦之原因能夠給予合理的解釋。
2. 解決稀疏性問題及擴展性問題
以推薦精確度來評比，內容導向式較協同合作式來的精確，並且 可適當解決協同合作式推薦所面臨的稀疏性問題（Sparsity problem）
及擴展性問題（Scalability problem）。
而研究中將內容導向式推薦系統應用於實務上的分別有下列學者與 推薦系統。
1. NewsWeeder 網路新聞推薦系統
Lang（1995）研究中曾提出一套網路新聞推薦系統，此研究主要 推薦方式為依據系統所建置使用者資料輪廓檔（Profile）來推薦使用 者感興趣並尚未閱讀過的新聞文章。
2. SmartPad 產品推薦系統
學者 Lawrence, Almasi, Kotlyar, Viveros & Duri（2001）所研究的
SmartPad 產品推薦系統，主要推薦依據為使用者對產品之偏好與產品 項目類別間的相似度，推薦出個人化產品清單給使用者。此系統也可 為所有的產品項目建立分類樹，使用者可透過此方式來找到屬於自己 的偏好產品。
雖然內容導向式推薦可為使用者個人推薦出適合的資訊及產品，也 已經實際應用並發展成數套研究系統，但相關研究中也指出其缺點限制 及改善空間（Shardanand & Maes, 1995；Adomavicius & Tuzhilin, 2005），
其分別為：
1. 有限分析問題（Limited analysis problem）
此問題指出目前之技術仍無法處理特殊屬性之物件資料，僅能分 析單一內容屬性。
2. 過度特殊化問題（Over-specialization problem）
指出系統只能以過去使用者相似的項目進行推薦，無法適切的推 薦出尚未接觸過的項目。
3. 同義異名（Synonymy）
此問題則帶出目前現實生活中存在著許多相同的項目物件，但卻 有著不相同名稱的情況，內容導向式推薦系統無法辨識出相同性質但
不同名稱的資訊或項目物件，產生同義異名的問題。
（二） 協同合作式推薦系統（Collaborative recommendation system）
其所謂的協同合作式推薦系統，強調的是人與人之間具有相同興趣 與偏好，也就是群體之間共同的想法及觀點，並藉由計算彼此間的相似 程度來找出與自己相同偏好的使用者，再推薦其資訊內容或產品項目給 目標使用者。
學者 Herlocker, Konstan, Borchers & Riedll（1999）在研究中則指出其 協同合作式推薦之主要優點有：
1. 可彌補內容導向式推薦限制
協同合作式推薦具有能力可推薦出超過使用者預期內的產品項 目，彌補內容導向式推薦之限制。
2. 群體經驗
可基於其他使用者的經驗及評比出品質較好的產品項目來做為 推薦。
3. 不需要分析內容項目之屬性
協同合作式推薦所推薦出的內容是依據與目標使用者具有相似 偏好之群體來做為推薦。
而在實務研究上，第一個採用協同合作式來產生推薦系統的為 Goldberg 等人（1992）所研究的 Tapestry 電子郵件分類系統，此系統主
要為過濾電子郵件，之後並延伸至處理所有相關電子文件。此研究也指 出依據使用者群體來進行篩選會比電腦自動篩選有較高的準確率。以下 將介紹協同合作式推薦系統實務上之研究與應用。
1. GroupLens 新聞文章推薦系統
Konstan 等人（1997）發展此系統主要為幫助使用者在龐大的新 聞資料庫中找到感興趣的文章。GroupLens 使用開放式架構，主要讓 使用者在閱讀文章後，做出評分動作，並利用皮爾森相關係數（Pearson
correlation coefficient）計算使用者之間相似程度。另一部分則是收集 資訊，並根據使用者之前的對新聞文章的評分，來計算並預測使用者 尚未閱讀過的文章評分，協助決定要不要閱讀該則新聞。
2. Siteseer 網頁推薦系統
系統則利用個人電子書籤（bookmark）方式來判別使用者興趣並 做為分群之依據，系統將個人與他人電子書籤比對計算，找出多數群 體使用者都喜愛的網站，進一步推薦相關內容資訊與網站給目標使用 者。研究中也指出，一般使用者會把此網站加入電子書籤，則表示此 網站是使用者所喜愛或者常瀏覽的，將其電子書籤視為一種隱性評比 則是可信賴的方式（Rucker & Polanco, 1997）。
系統則利用個人電子書籤（bookmark）方式來判別使用者興趣並 做為分群之依據，系統將個人與他人電子書籤比對計算，找出多數群 體使用者都喜愛的網站，進一步推薦相關內容資訊與網站給目標使用 者。研究中也指出，一般使用者會把此網站加入電子書籤，則表示此 網站是使用者所喜愛或者常瀏覽的，將其電子書籤視為一種隱性評比 則是可信賴的方式（Rucker & Polanco, 1997）。