推薦系統建置與評估

1. 推薦系統建置流程

推薦系統建置需要的要素有三，一是使用者、二是項目、三是推薦方法。建 置推薦系統的過程中，首要是分析問題，再者是選擇適當的方法進行運算，三是 進行預測，最後才進行結果的推薦。Adomavicius 和 Tuzhilin (2005)提到要建立推 薦系統的商業模型需要幾個要件，第一：維護推薦系統的成本，第二：利用廣告，

透過推薦系統的能夠看到顧客的需求細節、第三：要建立評估項目的抽傭模型。

推薦需要公平公正，不能有偏見的參雜，應該著重於商業流程中項目及使用者參 與的過程。

13

Bobadilla et al. (2013)認為推薦系統建立需要參考八個條件，分別是是否有可 利用資料庫、使用何種演算法、基於何種模式發展、是否使用其他技術、資料稀 疏性及擴充性問題、推薦系統效能表現、評價所尋找的目標、尋找搜尋結果的品 質。

推薦系統建置時要先建立模型，應用上節所提之方法，等到相關項目分數計 算完畢時，會出現很長的過濾清單，此時便需要進行剪枝的步驟。常用的演算法 有 Top-N 或關聯規則演算法。

由此可以將推薦系統的建置分為幾個階段，第一：問題定義、第二：尋找適 當的推薦系統類型、第三：尋找適合的演算法、第四：預測項目與推薦項目、第 五：評估推薦系統、第六：使用者回饋。

圖 2.2 推薦系統建置流程，本研究整理

2. 推薦系統評估

推薦系統評估是重要的環節之一，一般會針對推薦的準確度（Accuracy）進 行量測，若準確度越高則代表推薦有效，而準確度測量又可分為評分準確度及分 類準確度。但單純只靠準確判斷並不完全，故又增加了覆蓋率（Coverage）。

Tintarev 和 Masthoff (2007)提出判斷推薦系統的好壞可以依照幾個指標，包 含資料的透明度、資料辨識度、推薦是否能讓人信任、推薦結果是否具有說服力、

推薦是否有用、推薦系統效率高低、選擇尺度、使用者滿意度。而在計算評估分

使用者資料 推薦系統演算法 預測結果 列出推薦清單

使用者回饋

14

數時 Lü et al. (2012)整理現有推薦系統評估方法，除了既有的準確度、覆蓋率還 增加了多樣性（Diversity）、新奇度（Novelty）、驚奇度（Surprise）量測。綜合 上文可形成表 2.3。

表 2.3 推薦系統評估類型，本研究整理

推薦系統類型 內容說明

準確度 測量推薦系統給予的推薦項目推薦正確的比例。

覆蓋率 在所有實際項目中，被預測到的項目比率。

多樣性 因推薦結果過於單一，故需要展示更多的項目，測量項目間的

差異程度。

新奇度 測量使用者對於推薦項目間認知的差異程度。

驚奇度 驚奇度是針對使用者是否得到超出預期的結果進行量測。

Vozalis 和 Margaritis (2003)認為在評估預測品質時可分為準確度、覆蓋率。

評估推薦品質時可使用統計工具，例如：平均絕對誤差（MAE）、系統精確度

（Precision）、回饋率（Recall）、Precision 和 Recall 之加權計算 F1 等演算法。

表 2.4 推薦系統評估演算法，本研究整理

演算法名稱 說明

MAE 在推薦系統中，透過平均絕對誤差測量使用者實際給予項目的

評分與系統預測評分的誤差值，若數值越小代表預測越精準。

Recall 是指在所有正向結果測試樣本中，擊中的數量有多少，在推薦

系統中使用時針對提供推薦項目被使用者點擊或購買。

Precision 在所有正向預測推薦清單中，推薦正確的比例。

F1 將 Recall 與 Precision 用調和平均的方式加總起來。

15

Coverage 在所有實際項目中，被預測到的項目比率。