推薦系統的探討

內容式導向推薦系統（Content-based Recommender Systems，或稱

Cognitive Recommender Systems）將一個項目以若干個特徵（Characteristic）來 表述，並依據用戶偏好的特徵種類，找尋符合該項目的物件並推薦給用戶（De Campos, Fernández-Luna, Huete and Rueda-Morales, 2010）。因此，內容式導向 的推薦系統需要有下列三個元素組成：

（一）內容分析

內容分析（Content Analyzer）是將一項目拆解成數個具代表性特徵的工 作。例如：一個鋼琴三重奏的室內樂演奏會，可拆解成由演出樂器、表演場 地、表演曲目、作曲家、演奏者等五個特徵所組成的項目；一個國標舞的舞蹈 演出，可拆解成由表演舞風、表演場地、搭配曲目、表演者等四個特徵所組成 的項目。

（二）模組建立

模組建立（Profile Leaner）是搜集用戶在系統內的活動資訊與數據，並根 據這些活動資訊數據，建立模擬該用戶特性的模組。例如：王小明在推薦系統 上經常瀏覽具有「鋼琴」、「貝多芬」、「王大明」、「水岸咖啡館」等特徵

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

的表演活動，因此可藉由以上的特徵建立一個具有「鋼琴」、「貝多芬」、

「王大明」、「水岸咖啡館」四個特徵的模組，來模擬王小明這個用戶。而由 於模組會根據使用者在系統上的活動建立，因此當用戶對於某項特徵的搜尋或 使用活動增加，系統將會增加該特徵的在模組中的推薦權重，讓用戶更容易連 結到該特徵；反之亦然（黃純敏、林重佑、黃進瑞，2013）。

（三）過濾系統

過濾系統（Filtering Component）是將推薦系統上的資訊進行整理，篩選符 合用戶偏好的特徵項目予用戶。例如一表演資訊系統上整合了室內樂、舞蹈、

戲劇、相聲、魔術等各種表演活動，符合王小明用戶偏好的活動可能有「李小 龍貝多芬鋼琴獨奏會」、「王大明在水岸咖啡館的音樂沙龍」這兩個活動，因 此過濾系統便可將這兩個活動篩選給王小明參考。

圖2.5.1：內容式推薦系統運作概念

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

二、協同式過濾

協同式過濾（Collaborative Filtering）假設如果某兩個人若對於同一項目給 予相似的評價，則這兩個人會對於另一個全新且性質相似的項目，給予相似的 評價。因此，協同式過濾是藉用其他用戶的活動資料建立推薦系統，給予用戶 推薦其所喜好的項目。協同式過慮可以大致分成以下幾種運作形態：（Breese, 1998；Campos, 2010；Symeonidis, 2008）

（一）鄰域式

鄰域式（Neighborhood-based, Memory-based, Heuristic-based）會將評價習 性相似的用戶集結成一個鄰域（Neighborhood）。當要評估鄰域中某用戶對於 一個項目的偏好程度時，則會依據鄰域用戶的評價習性，給予該用戶項目的評 價。鄰域式的另一種運作模式是以「項目」為基礎：當鄰域中的用戶給予某個 項目評價時，則系統會將自動將與該項目相似的另一項目給予評價，並推薦給 鄰域中的另一位用戶。

（二）模組式

模組式（Model-based）會搜集所有用戶對於所有項目的評價習性資料建立 模型，並據此模擬特徵相似的用戶對於相似項目的評價。

三、內容導向式與協同式過濾的比較

（一）用戶獨立性

內容式導向的推薦系統只需仰賴單一用戶的活動資料，即可對該名用戶進 行項目的推薦。相形之下，協同式過濾則需要其他用戶的參與，搜集所有用戶 對於項目的評價資料，才可以對用戶進行項目的推薦。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

（二）推薦邏輯

內容導向式的推薦邏輯相對簡單且清楚，可讓用戶清楚了解向其推薦的項 目大多具備哪些類型的特徵。然而，協同式過濾卻相對複雜：除了單一用戶的 評價習性，仍須考量到其他用戶的評價習性。因此，推薦給用戶的項目有可能 僅是其他大多數人的偏好，並非該名用戶本身所希望獲得的。

（三）新項目的推薦性

內容導向式系統可以推薦一個剛進入系統的全新項目給用戶，如果該項目 的特徵是用戶所喜愛的。然而，若該新項目不具備用戶所喜好的特徵，則該項 目不會被進行推薦。由此可見：內容導向式系統存在過度單一化的問題，無法 發掘用戶的潛在需求。

相反地，在協同式過濾的模式中，即便該項目沒有具備用戶所偏好的特 徵，依然可藉由其他用戶的眾多評價，推薦給該名用戶，發掘其潛在的需求。

然而，對於一個輔納入系統的新項目而言，因為缺乏眾多用戶的評價，使系統 缺乏依據將該新項目推薦給用戶。

（四）效率性

內容導向式系統與協同過濾式系統中模組化（model-based）的運作，均需 要建置模型，據以推薦項目給用戶。然而，協同過濾式系統中鄰域式

（Neighborhood-based）的運作，卻不需仰賴模型的建置，僅需將用戶納入與其 特徵習性相似的鄰域中，即可對該用戶進行項目的推薦。此外，模型的建置需 要耗費較高的成本與記憶體空間，但鄰域性的資料建置卻不需如此。因此，效 率性是協同過濾式系統中鄰域模式的一大優點。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

四、混合式推薦系統

由於每一種推薦系統都存在一些缺點，學者Burke（2002）便結合了多種 系統的架構，提出「混合式推薦系統」（Hybrid Recommender Systems），試圖 彌補各推薦系統的缺失。Burke 主要從下幾個面向來做系統的混合：

（一）權重式（Weighted Hybrid）

指將各種推薦系統所使用的推薦技術設定權重，依權重大小決定採用各推 薦系統技術的比例。如P-Tango 系統：結合內容導向式與協同過濾式的推薦系 統，在系統的初期各自設定一半的技術使用權重，之後再隨使用者的評價或活 動資訊，調整成較符合使用者偏好的權重。

（二）交換式（Switching Hybrid）

交換式混合為每一種推薦技術設定使用規則：一旦某種推薦技術不能滿足 使用者的需求，系統將立刻轉換使用另外一種推薦技術，以符合使用者的期 待。如DailyLeaner 的混合推薦系統：結合內容導向式與協同過濾式的推薦系 統，在系統的初期先採用內容導向式的技術，若發現內容導向式的技術不能有 效滿足使用者的需求，再立刻轉換為協同式過濾系統。

（三）綜合式（Mixed Hybrid）

指將各種推薦系統技術一併同時採用。如Smyth 和 Cotter 向觀眾推薦電視 頻道的個人化電視清單服務（Personalized TV Listings Service）。該推薦系統運 用內容導向式的技術對電視節目進行內容分析，同時運用協同式過濾技術分析 所有觀眾對於電視節目的偏好，據此為觀眾建立個人化電視節目清單。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

（四）特徵結合式（Feature Combination）

指將某一資料群集的特徵值，置入另一個資料集中進行分析（黃純敏、林 重佑、黃進瑞，2013）。例如小王和小明同時喜歡由鋼琴家大榮與小隆的雙鋼 琴表演，系統就會將這場雙鋼琴表演的演奏者大榮與小隆記錄起來，放到小王 和小明的潛在偏好資料集。若下一次大榮與小隆舉辦聯合鋼琴獨奏會，系統就 會推測小王和小明可能也偏好該場獨奏會，進而將此表演推薦給小王和小明。

‧

如ACCUPASS 活動通平台、Citytalk 城市通平台、由 Facebook 創辦，集結所有 臉書用戶舉辦活動資訊的Facebook Local 平台等等。