Resnick 和 Varian(1997)提出推薦系統的定義：『推薦系統就是將人的推薦當作輸入 資料，經由系統的運算、統整後將結果提供給目標使用者。』
因此推薦系統是經由歷史的消費紀錄或是過往使用的行為中找出一個可提供推薦 資訊給予他人或自己的模式，因此在九零年代開始發展出以評分(scoring)依據作為預測 使用者行為的推薦模式。Kazienko 和 Kołodziejski(2005)提出推薦系統可依照個人化程度 區分為非個人化方法(non-personalized method)以及個人化方法(personalized method)。一 般來說市面上大部分行銷手法都採用了非個人化推薦方法，例如暢銷書籍當月排行榜排 名推薦、每月人氣推薦商品等行銷手法。這些手法都是使用公眾紀錄或是消費者的消費 行為紀錄，經由統計分析將商品推薦給需要的消費者。但是每位消費者對於商品的喜好 度不同，上述的行銷手法只能做到大量行銷(mass marketing)而無法針對單一客戶作到一 對一行銷(one to one marketing)也就是客製化(customization)服務。
個人化推薦方法解決了非個人化推薦方法的缺陷，方法包含以購買紀錄為基準的內 容式過濾(Content-based Filtering)、協同式過濾(Collaborative Filtering)、人口統計過濾 (Demographic Filtering)，其中較常被應用的方法以內容式過濾與協同式過濾為主要方法。
爾後又因內容式過濾與協同式過濾方式容易發生資料稀疏(Data Sparseness)與冷啟動 (Cold Start)的問題(Adomavicius & Tuzhilin, 2005; Balabanović & Shoham, 1997; Kamahara et al., 2005)。因此後續有研究混合內容式過濾、協同式過濾等混搭方式，取其優點發展 出混合式過濾(hybrid filtering)解決前述的問題。研究結果證明混合式過濾的表現比其他 兩種方法還有更好的預測能力(Adomavicius & Tuzhilin, 2005; Balabanović & Shoham, 1997; Burke, 2002)。因此以下詳細介紹推薦系統中較常被應用的三種推薦方法：內容式 過濾、協同式過濾以及混合式過濾(Balabanović & Shoham, 1997)。
2.1.1 內容式過濾(Content-based Filtering)
內容式過濾推薦系統依照消費者以往購買商品的偏好度找出相似度高的商品作為 推薦(Adomavicius & Tuzhilin, 2005; Burke, 2002)。此方式利用商品的特徵值找出相似特 徵的商品為同類型商品，並根據每位消費者的偏好度調整自身對商品的特徵權重紀錄後 找出最適合推薦的商品。內容式過濾常被使用在文本應用研究，著名的推薦系統有
4
NewsWeeder(Lang, 1995)、Syskill & Webert(Pazzani et al., 1996)和 WebWatcher(Mladenic, 1996)等。但是此方法的缺點有以下三點：
(1) 商品特定化(Overspecialization)：推薦系統根據消費者過往紀錄推薦類似商品造成消 費者接受的推薦只限於同類型商品，因此產生商品推薦的特定化問題(Adomavicius &
Tuzhilin, 2005; Montaner et al., 2003)。
(2) 限制性內容分析：此方法限制於文字性推薦，相較於其他格式的檔案內容如聲音、影 像、圖形等，則無法藉此方法推薦(Adomavicius & Tuzhilin, 2005)。
(3) 冷啟動(Cold Start)：對於剛註冊的使用者系統並沒有新使用者的歷史評分紀錄以致於 無法對新使用者給予推薦；同樣的，對於新上市的商品，商品也沒有被購買或被評分 的紀錄來推薦給消費者，因此造成無法推薦的問題(Adomavicius & Tuzhilin, 2005;
Balabanović & Shoham, 1997; Kamahara et al., 2005)。
2.1.2 協同式過濾(Collaborative Filtering)
協同式過濾推薦系統是目前應用最普遍的推薦系統(Burke, 2002)。依照系統中具有 共同相似度的喜好或行為將這些使用者視為同組，預測並推薦群組中的商品給目標使用 者(Ha, 2002; Kazienko & Kiewra, 2004)。最早的協同式過濾系統是 1992 年由 Goldberg 等人提出的 Tapestry 郵件過濾系統。其他較為人所週知的系統如 Amazon.com 的書籍推 薦系統-『買過的人也買過什麼』；GroupLens 的新聞推薦系統(Resnick et al., 1994)；Ringo 的音樂推薦系統(Shardanand & Maes, 1995)等。
常用的演算法分成兩類：記憶式協同過濾(Memory-based Collaborative Filtering)、模 型式協同過濾(Model-based Collaborative Filtering)(Breese et al., 1998; De Campos et al., 2010; Symeonidis et al., 2008)。記憶式協同過濾使用具有相同喜好的群體評分推薦給相同 群內的使用者，常使用的演算法為鄰人群(K-Nearest Neighbor)演算法。模型式協同過濾 將所有使用者的評分訓練為預測模型，對目標使用者尚未評分的商品進行預測並進而推 薦，常用的演算法有 Bayesian Network、Clustering 及 Latent Factor Method 等。但是此 方法仍然有以下兩種缺點：
(1) 冷啟動(Cold Start)：新使用者與新商品難以推薦的情形。
(2) 資料稀疏(Data Sparseness)：因商品過多使用者較少情形下造成評分的資料稀疏導致 推薦失準的問題。
5
2.1.3 混合式過濾(Hybrid Filtering)
混合式過濾方法是將多個推薦技術混合在一起而形成的推薦模式。常見的混合式過 濾推薦以內容式過濾和協同式過濾搭配方式，主要目的是截長補短將兩種方式的優點相 互 結 合 ， 解 決 推 薦 系 統 常 見 的 冷 啟 動 和 資 料 稀 疏 等 限 制 。 主 要 的 四 種 混 合 模 式 (Adomavicius & Tuzhilin, 2005)中無論是採內容式過濾為主、協同式過濾為輔，或是反之 亦然；還是兩種方式分別執行後將結果合併，或是在同一模型下整合內容式過濾和協同 式過濾方式等四種混合模式。從過往研究中有關混合式過濾共可區分為七種方式(Burke, 2007)：加權法(Weighted)、替換法(Switching)、混搭法(Mixed)、特徵質混合法(Feature Combination)、衍生特徵值法(Feature Augmentation)、瀑布法(Cascade)和模型輸入法(Meta Level)等七種方式。研究結果均證實混合式過濾方式不但可解決原有推薦系統的問題並 且提升了推薦模型的精準度(Melville et al., 2002; Montaner et al., 2003)。
6
2.2 網路協定電視
網路協定電視(Internet Protocol Television; IPTV)使用寬頻當作載具，將多媒體影音 節目數位化透過寬頻傳輸到用戶端(Jensen, 2008)。用戶使用遙控器透過數位機上盒 (Set-top Box; STB)與平台內容進行互動式操作模式(Hand & Varan, 2008)。目前 IPTV 提 供的服務包含：1.線性頻道(linear channels)即是傳統電視傳播頻道，由業者事先安排好 節目以不間斷方式持續撥放。2.非線性頻道(non-linear channels)即是隨選視訊(Video On Demand; VOD)，由業者提供影視節目讓用戶自行決定撥放時間、播放內容、播放方式 等選擇的兩種影視服務(彭心儀，2008)。因此 IPTV 有別於傳統電視服務包含：互動式 收播、節目播放時間不受限(可快轉、暫停、重播等)、個人化服務(Hand & Varan, 2008)。
雖然如此，使用者在使用 IPTV 仍受到平台限制，例如：操作複雜、使用介面設計不良、
增加頻道切換時間等(Bambini et al., 2011)。
目前對於 IPTV 平台限制主要以推薦系統為解決方法，除了排除使用者操作不易的 問題以外，對於提升使用者操作平台意願也是需要考量的面相。因此 Bambini et al.(2011) 研究中提出良好的 IPTV 推薦系統需考量以下因素：
(1) 個人辨識度：以家戶為單位觀看電視的紀錄將使得推薦系統無法正確判斷家戶成員。
(2) 及時性需求：推薦系統須要做出及時性的推薦，減少使用者操作上因平台限制造成的 時間花費。
(3) 內容資訊品質：避免因推薦系統使用的過濾方式造成推薦準確性低，尤其以內容式過 濾系統受限於低品質的 metadata，例如：傳統電視傳播頻道節目表(Electronic Program Guide, EPG)。
7