研究結果

記錄計算相似度尋找出的同好名單將隨著興趣的擴散移轉而產 生不同的推薦結果。

3. 對於以往傳統協同過濾的缺點，我們的研究一一克服，說明如 下表11︰

表11. 協同過濾方法所遇到的問題與解決方式

常見問題 問題說明 解決方式

(1) 取得使用 者資料困難

使用者只希望享受推薦 的好處，而不願意多花 時間去做評比，導致評 比稀疏的問題。

使用者每次點歌，都是一種 隱性評比的回饋。不管使用 者是否接受推薦清單的歌 曲，每次點歌皆可回饋修正 使用者的交易資料定時重 新找出同好名單。

(2) 評比稀疏 (Ratings

Sparsity)問題

當項目多而使用者評比 少時，會造成使用者之 間的相似度很低以致難 以分群。

使用者的評比即為使用者 點唱記錄，只要有點歌，即 有評比。每一次的點唱都視 為一次的隱性評比。

(3) 新 的 使 用 者難以獲得推 薦(Cold-Start)

新的使用者缺乏足夠的 評 比 以 作 為 分 群 的 依 據，必須經過一段時間 累積足夠的評比才能將 使用者分群。

新的使用者可以透過使用 者輪廓(User Profile)，依照 年齡、登入次數等資料進行 相似度計算找出同好名單。

常見問題 問題說明 解決方式 (4) 少 數 族 群

問題

如果使用者有特殊的喜 好，與大部分人不相同 時，會因為族群內的成 員少，能得到的推薦也 因此而相對減少。

推薦清單除了包含協同過 濾 的 推 薦 歌 曲 ， 尚 包 括 TOP-N、新進歌曲等。這一 類 的 使 用 者 可 以 推 薦 TOP-N 以及新進歌曲等。

(5) 使 用 者 多 重 興 趣 問 題 (Multiple Interesting)

使用者通常不會只針對 某 一 種 類 的 項 目 有 興 趣，如果只將使用者分 到某一族群，則只能得 到 單 一 種 類 項 目 的 推 薦。

由於歌曲分類會形成類別 極大化與極小化的問題。因 此，在本研究中，使用者依 相似度找出同好名單後的 推薦清單為不分類別的所 有歌曲推薦。使用者點選過 的興趣都將被記錄下來，沒 有多重興趣的問題產生。

(6) 使 用 者 興 趣轉移問題

使用者的喜好可能因時 間而有所改變。

使用者的相似度乃透過每 次的點歌評比，持續修正交 易檔，並重新計算相似度，

重新找出同好名單。只要會 員興趣改變馬上可以從同 好名單中反應出來。

(7) 新 的 項 目 難以被推薦出

新的項目需要有許多使 用者評比過後才能被推

推薦清單除了包含協同過 濾 的 推 薦 歌 曲 ， 尚 包 括

常見問題 問題說明 解決方式

去 薦出去。 TOP-N、新進歌曲等。新的

歌曲透過歸類，可以在新進 歌曲類別推薦。

(8) 系 統 剛 啟 用時無法進行 推 薦 (System Bootstrapping)

因為使用者評比資料不 足，無法進行使用者分 群與推薦的動作。

本研究的資料利用「超級點 歌王」所提供的資料進行研 究，目前已有相當多的資 料。