第二章 文獻探討
第二節 相關研究
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二章 文獻探討
第一節 推薦系統定義與概述
推薦機制並不是最近才開始的研究，在 2000 年的.com 泡沫之前，就有許許 多多的研究發表。有效的推薦機制可以提升電子商務網站的購買率，提升多媒體 網站的黏著度，對於網站經營者而言是一個非常重要的課題。
推薦系統源自於認知科學、資訊檢索、預測理論等(蔡松霖, 2013)，其目的以 個性化為主軸，給予使用者獨特且符合需求的項目，降低使用者的搜尋成本，
Resnick & Varian認為人們在經驗不足的情況之下，面臨決策之時，會依靠他人的 建議或是口耳相傳來做為決定的依據，而加強與輔助此種社會過程，正是推薦系 統的目的(1997)。推薦系統應用範圍泛常用於電子商務、新聞、音樂、電影與圖 書館等系統上。
Bobadilla et al. (2013)的回顧性研究中，整理出未來推薦系統之發展，將著重 於推進現有的方法與算法，以提高推薦的品質，並點出七個研究方向
1. 使用不同類型的有用資訊做為資料輸入，並混合現有推薦方法。
2. 基於網路並透過各種裝置以獲取使用者的個人化資料，透過這些新的資料進 行推薦。
3. 在推薦的過程中，獲取並整合使用者的習慣、購買與品味的趨勢。
4. 對非推薦用途(如市場研究、一般的趨勢與人口特徵統計)的 RS 資料庫探勘。
5. 加強推薦過程中的安全性與隱私性。
6. 新的評估方法與發展非標準化的評估方法。
7. 設計具有彈性，能分析各種異質資料的框架。
第二節 相關研究
推薦系統的研究方向可分為兩部分，一個是學理研究，專注研究推薦系統的 方法論，如發展新的演算法、提升演算法的準度與速度，另一部分則是特定推薦
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
項目的應用研究，針對不同項目的特性，研究各種方法應用於特定推薦項目的效 果如何，或結合各種不同方法進行推薦的機制研究。
本研究針對最多學者研究的電子商務與電影推薦系統應用，以及與本研究最 為相關的圖書館系統和本研究主題學術論文推薦等，以上四大應用領域之相關研 究回顧。
一、電子商務應用領域
電子商務是推薦系統的最主要應用領域之一，它直接影響了企業營收，因此 大量的研究都聚集於此應用領域，Sarwar, Karypis, Konstan, & Riedl (2000)在真實 的資料數聚集當中，藉著降低數據集維度，改善電子商務網站因商品數目龐大、
使用者眾多，資料矩陣稀疏，進而造成推薦效果不佳的情形，雖然研究結果發現 透過降低資料維度的做法，確實有效改善其問題，但 Sarwar 也指出並非所有的 被推薦項目都能夠適用這個方法。Kim et al.(2001)提出混合協同推薦與內容式過 濾推薦方法兩種方法的推薦系統於電子商務領域之中，在實驗結果中發現，其成 效較傳統使用單一方法好，且更發現了，該方法應用於電影的推薦會比用於電子 商務領域來的更為出色。Amazon 做為全球電子商務龍頭，對於推薦系統的重視 不同於一般網站，並且具有相當的貢獻，Linden, Smith & York (2003)公開發表了 Amazon 內部所採用 item to item 的推薦模式，打破過去協同過濾以顧客與顧客之 間的相似度為推薦基礎的想法，改以項目之間的相似度，解決過去因向量矩陣稀 疏而運算負荷過高、時間過長的問題，但推薦精準度較傳統方法略低。
此後的研究有越來越多的研究與新興的議題、技術相結合，Kim & Kim(2008) 嘗試結合不同的技術，將語意網路技術應用於電子商務的推薦系統之中，設計一 推薦系統框架，其結果優於大多採用關鍵字推薦方法的購物網站，但需要有更多 的實驗驗證該框架，在語意網路應用於推薦系統上的研究更進了一步。有研究希 望以更全面的的看法來看待推薦系統(wang & wu, 2012)，思考角度應該站在供應
‧
升。Palopoli, Rosaci & Sarné (2013)回歸於整體系統面的討論，針對系統實做的部 分提出了質疑，研究表明現在許多的電子商務工具透過自動化推薦協助顧客，但Analysis of Recommendation Algorithms for e-Commerce
嘗試應用降低資料庫維度
A new recommender system to combine content-based and collaborative filtering
systems Item-to-Item Collaborative Filtering
採用 item to item 的推薦模
Agent based intelligent search framework for product
information using ontology
將語意網路技術用於電子 商務的推薦系統之中，其結 果優於大多採用關鍵字的
‧
A strategy-oriented operation module for recommender systems in E-commerce
提出策略性導向推薦模組，
A Multi-tiered Recommender System Architecture for Supporting E-Commerce
提出一個分散式架構推薦 operators 進行推薦，其所提出的混合推薦系統是在 MovieLens 測試數據上，得到 高精度的預測水準。邱建豪(2008)以過去研究發現的分群結合技術優於單一分群 技術的文獻為基礎，以分群結合技術再結合單一分群技術，發現有更佳的效果，
以 MovieLens 資料集為基礎，得出 SOM 技術的分群結合技術 HGPA 是最好的方 法應用。冷啟動問題是推薦系統常見的問題，於電影推薦領域也是一樣，若新的
‧
學習，於 Netflix 和 Movielens 數據庫中實驗，獲得超越研究當時所有的相似度指 標的良好成果。2007 Christakou, C., Vrettos, S., &
Stafylopatis, A.
A hybrid movie recommender system based on neural networks Hernando, A.,
& Bernal, J.
A collaborative filtering approach to mitigate the new user cold start problem
以新的相似指標做為標準，在研 究中運用神經學習，獲得超越研 究當時所有的相似度指標的良好 成果。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
三、圖書館應用領域
圖書館因為龐大的館藏，經常仰賴資訊檢索與推薦系統的幫助，協助讀者快 速取得在巨量館藏中之所需，余明哲(2001)指出圖書館的價值不在於館內的設備 與館藏，而是在於館藏的利用頻率，圖書的數目多寡不是重點，重點在於館藏被 多少人所需要與閱讀、利用率之高低，該研究中，以交通大學浩然圖書館做為實 驗網站，先關聯規則找出習慣相同者，再以內容過濾進行推薦，其結果發現此做 法能找出較為冷門的書籍，並提升使用者滿意度。羅子文(2007)將 web2.0 的概念 融入至圖書館推薦系統之中，透過推薦清單以及社會性標記等功能，希望由讀者 對圖書的回饋資料，將館藏重新分類，有別以往的推薦方法，在成效上獲得使用 者的肯定，但在推薦精準度成效較差。
陳慧玲(2007)則是以讀者的個人借閱記錄做為推薦之資料集基礎，將本體論 與推薦系統結合，運用個人本體論與圖書館分類，分析出讀者感興趣的主題分類，
接著以內容過濾導向的關鍵字擷取技術進行推薦，有效地為每位讀者進行個人化 推薦，而後有研究接續其成果(許正怡，2008)，在個人本體論的模型基礎之上，
再結合協同式過濾，依據每位讀者過去記錄，找出與讀者最相似的一群人，透過 這些相似讀者的個人本體論，推薦給讀者過去尚未被探索過的主題推薦清單。運 用個人本體論做為推薦方法，雖具有相當精準度，但效能不佳令人詬病。近年因 雲端運算相關議題興起，郭秉仁(2012)應用雲端技術 MapReduce 的運算優點，將 本體論實做運行於 MapReduce 的計算之上，經由實驗結果證明，利用 MapReduce 技術有效提升系統的計算效能，能夠解決本體論結合協同過濾的運算問題。
表 2-3 圖書館藏應用領域文獻整理
研究學者 篇名 摘要
‧
佳，研究中發現 MapReduce 技術有 效提升系統的計算效能，解決運算‧
(Multiple-Criteria Decision Aiding, MCDA)做為推薦‧
Resnick, Iacovou, Suchak, Bergstrom & Riedl (1994)將推薦方法分成三類 (1) 內容基礎過濾(Content-based Filtering) (2)協同式過濾 (Collaborative Filtering) (3) 經濟式過濾(Economic Filtering)，後來有回顧性研究以(1)內容基礎過濾(Content-based filtering) (2)協同式過濾 (Collaborative Filtering) (3)混合式(Hybrid-Filtering)，後來有回顧性研究以(1)內容基礎過濾(Content-based)三 者做為分類(Adomavicius & Tuzhilin, 2004)是最常見的分類方法，隨著相關研究