推薦系統決策項目

推薦系統最主要的目的是為了滿足使用者需求，透過產生符合特定情境的適 當推薦項目來達成，使用者彼此也會產生互動過程，為了讓推薦系統更準確需將 相關的因素納入考量，因此歸納推薦系統中主要的四個決策項目包含使用者、推 薦項目、其他使用者、以及情境，關連如圖2 所示，其中使用者為推薦系統的核 心，其他因素都與使用者產生關連，例如之前提過的內容式推薦技術著重在探討 使用者與推薦項目的關係、協同式推薦技術則發掘使用者與其他使用者之間的共 同處，將針對四個項目詳細說明及探討。

6

圖2 推薦系統決策項目 資料來源：本研究整理

2.2.1 使用者

使用者決定推薦系統的表現，若推薦結果越符合使用者偏好則系統越準確，

使用者偏好可能直接的或間接的表達出來，直接的偏好可藉由使用者檔案、歷史 紀錄來發現，但間接的表達需透過分析及比較資料才有跡可尋，因此藉由探討影 響偏好的因素來提供較完整的考量，盡量涵蓋到兩種形式的偏好表達。

影響使用者偏好的因素有許多，之前的研究大多放在探討使用者的人口統計 資料，也就是描述人們的基本特徵，很早以前Schuessler(1948)就提出社經地位 會影響個人音樂偏好，可透過人們的職業或收入來觀察，後來也有研究證實此論 點(Uitdenbogerd & Schyndel, 2002; North & Hargreaves, 2007c)，除此之外影響顯 著的因素還包括年齡、性別或國籍(Park, Yoo, & Cho, 2006)，Yapriady 與

Uitdenbogerd(2005)就在協同式推薦系統加入此三個因素，結果顯示考量人口統 計因素能提升系統的準確度。另有研究指出不同人格特質的使用者會有不同音樂 偏好，Pearson 與 Dollinger(2004)就發現較依靠直覺、具有想像力的人會較偏好 古典樂；Schwartz 與 Fouts(2003)則研究喜歡不同音樂類型的青少年個性，發現 喜歡重金屬或重搖滾樂的青少年較具有反社會性，容易質疑他人的動機或規則，

相較之下偏好輕音樂的人會投入在做對或適當的事情上面，也較注重與同儕間的 使用者

其他使用者 推薦項目

情境

7

關係。

近 來 更 有 學 者 提 出 將 生 活 型 態 應 用 在 探 討 音 樂 偏 好 方 面 ，North 與 Hargreaves(2007a, 2007b, 2007c)的研究除了考量人口統計資料與偏好的關係，另 外從人們的居住狀況、健康、生活習慣、信仰、與他人關係等各方面探討，結果 顯示大部分因素都對音樂偏好有顯著的影響，例如喜歡歌劇或古典樂的人通常年 紀較高、有自己的房子，休閒時喜歡進行需要智力的室外活動，而通常喜歡舞曲 或嬉哈音樂的年輕人可能不是來自雙親家庭，並且都覺得自己所交往的朋友數量 太少，觀看的電視節目或媒體接觸都是為了逃避現實，因此偏好較不需智力思考 的內容。從以上的文獻可發現與使用者相關的因素當中有許多都可能影響到使用 者的音樂偏好，而目前的研究所探索到的只是其中一小部分。

2.2.2 推薦項目

推薦項目就是系統應用領域內所處理的項目，推薦項目包含許多屬性或特 徵，例如音樂的屬性有曲風、節奏、音調、樂器等，推薦系統的目的在發掘使用 者對推薦項目的偏好程度，找尋偏好程度高的，內容式推薦技術就是藉由分解推 薦項目成許多屬性，探討使用者對個別屬性的偏好程度。目前對於音樂的研究大 部分都在分析音樂的速度(Tempo)、節奏(Rhythm)或音調高低(Pitch)等屬性，先利 用這些屬性將音樂分類，再比對使用者過去的歷史紀錄進而預測使用者偏好音樂 所對應的屬性值，Tzanetakis 與 Cook(2002)就藉由分析歌曲裡能代表音質(Timbral texture)的特徵值、節奏及音調高低來辨別不同的音樂類型；Kuo 與 Shan(2002) 則根據和音(Chord)及旋律(Melody)來區別，通常考量愈多屬性值的推薦結果愈精 確，不過在推薦結果的改善及成本間需做取捨。

2.2.3 其他使用者

由於現在社群及部落格這種分享的概念盛行，除了考量單一使用者以外，推 薦系統將所有使用系統的使用者都納入考量，與協同式推薦技術所強調的觀點相

8

符，透過使用者間的交流產生不同的意見，有較多機會接收到自己沒接觸過的資 訊，但互享機制的前提需要使用者配合給予回饋，可透過簡單的給予評比將聽過 音樂、看過電影的感想記錄下來，評比資料愈豐富系統才能愈準確(Perugini, Gonçalves, & Fox, 2004)。亞馬遜書店便利用協同式推薦技術提供消費者購書意 見，以購買書籍當成標的來因應網路上廣大的書籍資料，系統尋找買過同一本書 的使用者然後互相推薦消費過的其他項目；Wang, Pouwelse, Fokker 與 Reinders (2008)所建立的 Tribler 系統讓使用者彼此透過網路分享電視節目，並且提出新的 架構，透過系統主動收集使用者偏好資料而避免讓使用者進行評比。

2.2.4 情境

Weiser(1993) 預 言 未 來 的 科 技 產 品 發 展 趨 勢 朝 向 無 所 不 在 的 運 算 環 境 (Ubiquitous computing)，提供強大的資訊及設備整合協助人類的日常生活，可處 理資訊超載問題，Park 與 Lee(2005)認為無所不在的運算環境整合了各種裝置、

軟體或服務，彼此合作，且需要能從周遭及環境中收集與分析情境資訊，以提供 適當的服務或資訊給使用者，因此產品需具備主動性，透過情境察覺(Context awareness)可實現產品的人性化及自動偵測(Abowd & Mynatt, 2000)，例如手機能 偵測當天的天氣，在早上出門時提醒使用者記得帶雨具、當晚餐時間能主動提供 使用者所在地附近的餐館及交通資訊。

通常提到情境包含了人、事、時、地、及物五項因素，在推薦系統的應用可 考量情境因素而提出更貼近使用者實際需求的結果，North, Hargreaves 與

Hargreaves(2004)就研究音樂在日常生活中的角色、分析與音樂相關的情境，結 果顯示人們最常在家聽音樂，並且通常是一邊做事一邊聽音樂，會依照不同原因 選擇不同的音樂類型、藉由音樂來達到不同效果，因此有音樂推薦系統利用偵測 環境裡的氣氛來達到情境察覺，研究在不同的氣氛下使用者偏好的音樂類型 (Park & Lee, 2005)，或是考量天氣、時間、噪音等環境因素而產生符合不同情況 下的音樂推薦結果(Park et al., 2006)。

9