推薦系統

推薦系統應用資訊過濾的技術，提供個人化的推薦服務，減少我們在選擇資 料當中所耗費的時間，減輕我們在閱讀上的負擔，也增加我們的學習上的效率，

本節要說明有關推薦學習系統的相關研究以及技術，包括推薦系統的介紹、推薦 系統的評比方式、推薦技術與推薦學習相關研究。

一、推薦系統的介紹

面對網際網路的發達與資訊科技的進步，眾多的資訊被傳播、複製和儲存，

當我們同時在享受資訊科技所帶來的好處之外，琳瑯滿目的資訊卻導致我們的資 訊超載(Information Overloading)，目前網路資源中，有兩項技術可以解決資訊超 載的問題，第一、資訊檢索(Information Retrieval)，此為系統被動接收使用者輸 入相關興趣內容或主動提供檢索頁面讓使用者選擇，主要用於查詢方式，例如：

搜尋引擎(Oard & Marchionini, 1996)。第二、資訊過濾(Information Filtering)則是 系統主動將使用者的輪廓(Profile)，與分類的檔案逐一比對，讓使用者得以取得 符合需求的資料，並紀錄使用者長期的喜好，減少資訊超載。而輪廓為使用者的 興趣描述(陳宏泰，2002)，也就是說，將使用者過去瀏覽過的資訊或紀錄與網路 中的資料作比對。資訊檢索與資訊過濾主要差別在於使用者對資訊的需求，資訊 檢索過程中，使用者必須清楚瞭解自己所需要的資訊與準確的關鍵字，才能順利 搜尋到符合需求的資訊，不然將會花更多的時間去過濾資訊(Belkin, 1992)，而使 用者對資訊的需求通常是動態的、不穩定、主題可能會隨時改變且未必有關聯性 的存在。相反的，資訊過濾的過程，為了要能夠過濾出使用者真正需求的資訊，

必須要得知使用者的興趣描述，也就是輪廓，當系統有新檔加入時便會自動與使

用者輪廓作比對，將資訊呈現給使用者，而這個部分，使用者真正需要的資訊就 顯得較為穩定，輪廓變動的速度也很緩慢(吳晨帆，2005)。目前的搜尋引擎技術 已經發展的相當成熟(Oard & Marchionin, 1996)，而使用者的需求顯然已不再單純 的使用被動式的資訊檢索，而是個人化主動式的資訊過濾，所以推薦系統逐漸的 嶄露頭角。

最早的資訊過濾系統(Information Filtering System)是在1992年，由Goldberg 所提出的Tapestry，應用協同過濾(Collaborative Filtering)的方式來過濾大量的資 訊，一般而言，推薦系統泛指為資訊過濾系統(張毓倫，2003)。Resnick與 Varian(1997)指出使用推薦系統的兩個原因為：第一、推薦者與被推薦者之間可 能並不知道對方的存在且雙方未必是完全相互合作的；第二，推薦這個名詞主要 著重在推薦使用者感到有興趣的項目，因此，推薦除了表示過濾資料外，也擁有 符合系統的精神。推薦系統主要有三個步驟，首先是收集資料，收集使用者的相 關資訊，並加以統計分析；接著，系統根據上一個步驟所得的結果進行相似度的 計算後推薦給使用者；最後，將使用者對此推薦項目的喜好程度回饋於系統，以 更新使用者資料(邱永祥，2003)，圖2-1為推薦系統的運作流程。

圖2-1 推薦系統運作流程(馮文正，2001) 系統收集使用者的相關資料後，

進行統計與分析。

依據使用者的資料來進行推薦

回饋使用者推薦評量結果給系統

更新資料

二、推薦系統評比方式

資訊超載需要瞭解使用者的需求和取得使用者的資料，又分為顯性評比 (Explicit Rating)與隱性評比(Implicit Rating)兩種(Morita & Shinoda, 1994)為較常 用的方式。顯性評比取得資料的方式為填寫問卷，此方式簡單且資料較具正確性，

但是卻帶給使用者不便或資料來源有出入，因此，必須要注意到問卷的項目多寡，

例如：項目多，可能會造成使用者填寫過程中因問卷題目過多感到厭倦，導致他 們填答有出入；反之，則缺乏符合推薦依據。由於顯性評比為使用者自行輸入興 趣的項目，所以可能造成使用者無法得知其他知識範圍的學習資訊。而隱性評比 的優缺點正與顯示評比相反，隱性評比是將使用者瀏覽過的資訊在不知情的情況 下被系統紀錄下來，例如：瀏覽與點閱過的教材、停留頁面的時間和登入的次數 等，系統再判斷出對此資訊的喜好程度。正因為使用者在操作過程中，不自覺被 系統自動紀錄下來，降低使用者的負擔，但是存在的問題為系統所紀錄下來的資 訊不如顯性評比來的準確，有可能因使用者個人使用行為(例如隨意點選)而產生 疑慮。然而，推薦系統通常會結合隱性評比與顯性評比的資料，以確保資訊的正 確性。以下針對顯性評比與隱性評比之間的差異，如表2-1所示。

表2-1顯性評比與隱性評比的比較表(馮文正，2001；張毓倫，2003) (Sparsity)矩陣

(1)對資料的正確性有疑慮 容導向式推薦系統(Content-based Approach)，另一種為合作式推薦系統

(Collaborative Approach)。以下簡述此兩種不同的技術。

(一) 內容導向式推薦系統(Content-based Approach)

主要是根據資料的內容來過濾資料。依據使用者輸入的關鍵字，由系統來篩

動化分析出聲音、圖片與影像等屬性。因為此技術必須具有可以被電腦所解析與 接受的格式或全部檔都已經被指定為屬性。第二、不具有意外發現且具有意義事 物的特性。原則上只提供類似的資料，但通常在搜尋資料的過程中，仍會發現有 些資料是意外發現且有意義卻未被推薦的文件。第三、無法過濾品質、觀點或風 格。有些相同標題的文章被推薦，但可能有好文章，也有可能是較差的文章(邱 永祥，2003)。目前以此推薦系統著名的有InfoFinder、WebWatcher與NewWeeder。

圖2-2 內容導向式推薦系統示意圖(管怡婷，2003) (二) 合作式推薦系統(Collaborative Approach)

合作式推薦則是在一群體當中，選取與使用者有相似喜好的鄰近夥伴 (Nearest Neighbors)，每個鄰近夥伴與使用者之間對於某項物件的喜好有一定的 相似程度，其中也應用了權重的概念，每個鄰近夥伴對於項目中的喜好程度會進 行評比，藉由鄰近夥伴與使用者和鄰近夥伴的評比之間的關係，進而求得使用者 較有興趣的項目，如圖2-3所示。也就是說，如果其他使用者和自己有同樣的喜 好，那麼他們的愛好也有可能是自己的愛好，所以合作式推薦是以同儕的喜好做 為推薦的基礎(楊永芳，2002)，例如：一群學生經由分類後，被系統分群為喜好 藝術設計一群，藉由此群找出與被推薦的學生最為相近的鄰近夥伴，而此鄰近夥 伴除了藝術設計的喜好外，還有對資訊科技有興趣，系統因判定兩者為相當類似 的學生，因此雖然被推薦的學生從未點過資訊科技類的教材，但也可能會有對資 訊科技產生興趣，故將資訊科技的教材予以推薦。合作式推薦系統為廣泛且相當 成功的個人化推薦技術，但依然有限制存在，第一、稀疏(Sparsity)問題。推薦系

資料關鍵字

使用者喜好

資料關鍵字與使用

者喜好進行比對 目標使用者

符合資料

統需要大量消費資料與產品進行評價和推薦，如果資料不足將會引起系統難以找 到偏好相似的使用者來進行推薦或過濾物件，也容易導致預測錯誤。第二、擴充 性(Scalability)問題。演算法與使用者之間的瀏覽、交易資料的數量大小成等比平 方，如果一個系統超過系統無法負荷的量，擴充問題往往需要消耗演算時間，是 相當嚴重的問題。第三、同義(Synonymy)問題。因為系統無法辨認產品、資料等 物件當中隱含之意，因此，當出現同樣的物品而不同名稱的產品、資料等物件時，

系統無法找出之間的隱義關聯性而導致認為彼此為不相關，推薦之物品也就降低 許多(Sarwar, Karypis, Konstan & Riedl, 2000)。此類著名的推薦系統有Referral Web、PHOAKS與GroupLens。

圖2-3 合作式推薦系統示意圖(管怡婷，2003) 四、推薦學習系統相關研究

由於推薦系統在電子商務上的應用已經很普遍，本研究主要以推薦學習為研 究目的，以下針對國內外應用推薦系統是設計的相關課程、學習等來探討。結合 行動與推薦系統的研究，將PDA或手機等行動裝置發展出一套行動學習系統，且 與該校原有的推薦系統整合，使學習者獲得更有利的線上學習環境(Andronico, Carbonaro, Casadei, Colazzo, Molinari, & Ronchetti, 2003)。陳文林與宋江春(2009) 提出一套以學習者訪問機制進行分類的方式，設計出遠距教學智慧推薦系統，應 用代理伺服器的方法，讓系統有較好的通用性與推薦效率，根據學習者的訪問路 徑和學習者的瀏覽興趣，提出一個推薦規則的演算法。在學習者瀏覽興趣度量時

找出相似使用者後 比對瀏覽記錄

符合項目 所有項目

鄰近夥伴

目標使用者

綜合考慮了學習者瀏覽時間和對頁面的訪問次數，將學習者網頁點擊次數重新定 義推薦頁面和推薦規則的權重，提供一個相應的推薦演算法，提高推薦準確度，

減少學習者搜尋時間(陳文林與宋江春，2009)。

邱永祥(2003)設計一套課程推薦機制，透過類神經(Neural Network)與資料探 勘技術(Data Mining)，建立依社群、興趣及選擇等多元化的管道推薦網路教學的 課程，利用類神經網路作為學習者分群處理技術，產生學習者社群，藉由分群結 果與資料探勘的技術，建立一套新型態的網路教學課程推薦機制，學習者可以經 由推薦機制提升學習者的興趣與選課前的參考。邵秀梅(2003)針對網路教材瀏覽 的特質設計出一套新的學生分群的方法，以此方法，進而提供學習者個人化網路 學習教材之推薦，應用較準確、較符合學習者需求的教材瀏覽建議，以提高推薦 的準確度。管怡婷(2004)研究以學習風格為基礎之學習資源推薦機制，應用Kolb 的學習風格問卷分析學習者的學習風格(Learning Style)，學習者以學習風格分類 後，將相同學習風格之學習者的瀏覽記 錄作關聯規則分析，找出四種學習風格的 學習者瀏覽行為模式。最後學習者瀏覽記錄與規則比對後，推薦未閱讀文章及相

邱永祥(2003)設計一套課程推薦機制，透過類神經(Neural Network)與資料探 勘技術(Data Mining)，建立依社群、興趣及選擇等多元化的管道推薦網路教學的 課程，利用類神經網路作為學習者分群處理技術，產生學習者社群，藉由分群結 果與資料探勘的技術，建立一套新型態的網路教學課程推薦機制，學習者可以經 由推薦機制提升學習者的興趣與選課前的參考。邵秀梅(2003)針對網路教材瀏覽 的特質設計出一套新的學生分群的方法，以此方法，進而提供學習者個人化網路 學習教材之推薦，應用較準確、較符合學習者需求的教材瀏覽建議，以提高推薦 的準確度。管怡婷(2004)研究以學習風格為基礎之學習資源推薦機制，應用Kolb 的學習風格問卷分析學習者的學習風格(Learning Style)，學習者以學習風格分類 後，將相同學習風格之學習者的瀏覽記 錄作關聯規則分析，找出四種學習風格的 學習者瀏覽行為模式。最後學習者瀏覽記錄與規則比對後，推薦未閱讀文章及相