推薦系統

推薦系統是為了提供對項目選擇建議的軟體工具與技術(Ricci, 2011)。推薦 主要影響決策制定過程，如需要買什麼商品，聽什麼音樂或看什麼新聞。“項目”

是一個共用的概念，用來描述系統為使用者提供的內容。一個推薦系統通常集中 在特定的項目（如音樂，新聞，商品等）並按照它的設計，使用者圖形化界面，

與核心的推薦技術提供推薦，為特定項目提供客製化且有用和有效率的建議。推 薦系統的本質在於資訊過濾（Information Filtering），這個領域主要研究如何為使 用者提供適合的資訊，防止與移除不適合的資訊。資訊過濾的應用非常廣泛，從 搜尋引擊，過濾垃圾電子郵件，到電子商務的商品推薦系統等。不同的資訊過濾 機制雖然在演算法或技術與方法論上有所差別，但它們都有共同的目標，在於為 使用提供最有意義的資訊。

在最簡單的形式，客製化的推薦系統是項目的排行。在執行排序這個動作，

推薦系統試圖找出最適合的產品與服務，根據使用者的優先背景演算出適合的推

23

24

圖2.5 推薦系統架構

一個人口推薦系統會使用社會人口相關的欄位如年齡、性別、專業，教育背 景等資訊。使用者資料會構成使用者模組。多種使用者模型會被採用，在特定情 況，推薦系統可被視為透過建立與分析使用者模型來產生推薦的工具，因為客製 化來自使用者模型，使用者模型是系統的主角。在協同過濾技術裡，使用者透過 對項目的評分讓系統產生一個向量值，在他們的模型中透過每一個因素的權重不 同來區分使用者。協同過濾只是推薦系統技術的其中之一，下列是六種常見的推 薦技術：

（1）（Content-based）內容基礎：系統學習推薦跟過去相似的項目。項目的相似 度被計算透過衡量與被比較的項目的相關功能加以計算。例如，如果一個 使用者對一部喜劇都正面的評價，系統可以推薦其他有共同類型的電影。

（2）（Collaborative filtering） 協同過濾：推薦使用者與其他使用者有類似嗜好 的項目。兩個使用者的相似度由使用者過去歷史的評分來計算，因此協同 過濾還被稱為“人對人相關”的技術，也是最普遍且最廣應用的推薦系統技 術。

（3）（Demographic ）人口統計：這種項目推薦系統根據使用者的人口背景資料。

這代表對不同人口群組該建立不同的推薦機制。一些網站透過人口統計建 立簡單且有效的個人化方案。例如，使用者被導向到適合他們國家和語言 的網頁版本，或推薦可以根據使用者的年齡進行推薦。

25

（6）（Hybrid recommender systems）混合推薦系統：這類推薦系統是上述技術的 整合。一個混合系統整合A 與 B 技術，使用 A 技術的優勢來解決 B 技術

26

圖2.6 協同過濾流程

推薦系統的協同過濾演算法主要有兩個方向：以記憶為主的協同過濾

（Memory-Based Collaborative Filtering）和以模型為主的協同過濾（Model-Based Collaborative Filtering）。以記憶為主的協同過濾使用使用者的所有資料來預測使 用者對新產品的評價。這種方法可以直接把新資料帶進資料表所以常被應用在實 際案例，這種方法在線上資訊系統（資料一直被更新）常常提供更準確的預測。

以記憶為主的協同過濾又有兩種：使用者為主協同過濾(User-Based Collaborative Filtering)和項目為主協同過濾(Item-Based Collaborative Filtering)。這兩種方法效 果差別在於尋找使用者間的相似度或產品間的相似度。

傳統的協同過濾演算法顯示使用者為N-維度向量的項目，而 N 是項目型錄 的數量(Linden,2003)。如果使用者對項目給正面的評價向量的組成是正面，反之 則是負面。為了推薦最適合的項目，演算法通常把向量的值乘以逆頻率（對該項 目給評分的顧客數量），增加少被看見的項目的相關性。對大多使用者，這個向 量是很疏散的。演算法會透過幾個跟使用者最相似的用戶建立推薦。它可以衡量 兩個使用者間的相似度，A 和 B，透過計算兩個向量間的 cosine 值。計算方式如 方程式2.1 所示，此方法稱為餘弦相似性（Cosine Similarity）。

Sim(𝐀⃗⃗ ,𝐁⃗⃗ )=cos(𝐀⃗⃗ ,𝐁⃗⃗ )=

𝐀 ⃗⃗ 𝐱𝐁⃗⃗

‖𝐀 ⃗⃗ ‖𝐱‖𝐁⃗⃗ ‖

27