第二章 文獻探討
第三節 推薦系統分類
Resnick, Iacovou, Suchak, Bergstrom & Riedl (1994)將推薦方法分成三類 (1) 內容基礎過濾(Content-based Filtering) (2)協同式過濾 (Collaborative Filtering) (3) 經濟式過濾(Economic Filtering)，後來有回顧性研究以(1)內容基礎過濾(Content-based filtering) (2)協同式過濾 (Collaborative Filtering) (3)混合式(Hybrid-Filtering)，後來有回顧性研究以(1)內容基礎過濾(Content-based)三 者做為分類(Adomavicius & Tuzhilin, 2004)是最常見的分類方法，隨著相關研究
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
越來越多，有了許多不同的推薦方法，Kantor, Rokach, Ricci & Shapira (2011)在
「Recommender systems handbook」一書中將推薦重新分成以下六大類 1. 內容基礎過濾(Content-based)
2. 協同式過濾(Collaborative Filtering) 3. 基於用戶統計資訊(Demographic-based) 4. 基於知識 (Knowledge-based)
5. 基於社群(Community-based) 6. 混合式(Hybrid)
此六類涵蓋了大多數的推薦方法，以下分別對這些方法做個介紹。
一、內容基礎的過濾
此方法依據對項目的分析，而非依靠使用者的評價，藉由項目找出使用者可 能會感興趣的特徵，再向推薦符合特徵使用者可能會喜歡的項目，因使用項目的 特徵做為推薦的基礎，因此又稱此方法為特徵式推薦(Feature-based)。計算項目之 間的向量餘弦值是常用的方法之一，先將文件轉成為向量空間模型(Vector Space Model, VSM) ，再計算相似度，餘弦值大，代表兩者之相關性高，反之則相關性 低(Salton, Wong & Yang, 1975)，透過文件間的相似度進行推薦，且能夠在線下先 行計算相似度，減低線上計算的需求，對使用者的影響較小。
二、協同式過濾
協同過濾的概念最初由 Goldberg, Nichols, Oki & Terry(1992)提出，最初目的 在於解決電子郵件過多的問題，幫助員工解決資訊超載，其精神希望透過群眾的 力量進行過濾，主要概念是透過相似喜好的使用者，來預測使用者個人偏好，來 協助進行過濾，產生更好推薦給使用者，協同過濾又可分成 User-based 與 Item-based 兩種。
User-based：依照使用者過去對項目的評分為資料基礎，對目前所選取項目
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
的品味，再推薦這些用戶有興趣的商品給該名使用者，因他們有共同的品味，
所以其他同好的所看的項目，他也有可能會喜歡。
Item-based： User-based 發展一段時間，推薦的效果良好，但時間一長，使 用者資料也跟著變多，效能開始下降，學者 Sarwar 假設「使用者感興趣的 項目，必定與之前給予評分高的項目相似」的前提下，提出直接計算項目與 項目之間的相似度，取代計算使用者之間的相似度，並以相似度做為權重，
乘上過去評分，得出預測的評分 ( Sarwar, Karypis, Konstan & Riedl, 2001)。
三、基於用戶統計資訊的推薦
以使用者的用戶基本資料進行推薦，以用戶資料進行相似度計算，找出 k 個 最相似的使用者，在將他們曾購買或瀏覽過的項目推薦給該名使用者，不需要使 用者的歷史資料進行分析，效率較佳，雖具個人化特色，但使用者傾向方便快速，
不見得會填寫詳細的個人資料，而計算出的可信度是此方法最大的問題，資料相 似的用戶，興趣不見得相同，推薦物品間也不會有相關性，此方法較少單獨使用。
四、基於知識的推薦
在特定領域知識為基礎上，了解項目特色以及為何可以滿足使用者需求，進 而產生對使用者而言是有用的推薦項目。此類型推薦系統是以案例做為系統基礎，
計算使用者的問題描述與建議的項目之間的相似度進行推薦，並沒有以使用者偏 好與過去紀錄做為推薦基礎，因此不會有冷啟動的問題，系統啟用初期的效果也 較其他方法佳，但若不具備學習機制，時間一長，效果就不如其他方法。
五、基於社群的推薦
近年 Facebook、Twitter 等社群網站開始發展，基於群體的推薦方式開始受 到關注，以朋友喜歡的你也有可能會喜歡為主要構想，此種方法是以認識的朋友
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
者所推薦的項目，人們傾向於選擇依據朋友的歷史行為所產生推薦的項目，此類 型目前仍屬早期研究階段，Jianming & Wesley (2010)的實驗中，在數據稀疏度與 冷啟動問題上較傳統 CF 有更好的效果。
六、混合式推薦
各種推薦方式都有其優缺點，以混合的方式結合一種以上的方法，取各方法 的優點，並彌補互相的缺點，是混合式推薦方法的主要概念，其中又以內容基礎 過濾與協同過濾的混合最普遍。