研究背景與動機

1、 緒論

1.1 研究背景與動機

近年來隨著網際網路普及化，網路已成為許多人生活中的一部分，

間接造成愈來愈多人習慣於利用網路蒐集所需之資訊，然而過多的資訊 也導致使用者蒐集資料時容易產生資訊超載（information overload）現象。

在相機產品的挑選上也面臨相同的狀況，無論是舊有的產品或是新上市 的產品，在規格或功能上，往往容易令使用者產生混淆，因此使用者在 挑選種類眾多的相機產品時，經常須耗費冗長的時間與精神在蒐集相關 資訊上，也相對不易做出適切之決定。因此，如何幫助使用者節省時間 在搜尋所需資訊上的議題逐漸受到重視。在處理資訊超載的問題上，許 多相關研究指出透過資訊推薦機制的協助不但可以有效減少搜尋時間與 成本，並且使其增加效率，更進一步能提供使用者推薦出適合的產品 ( Schoefegger, Seitlinger, and Ley, 2010 ; Hung, 2005 )。基於此原則，本研 究以相機產品的挑選推薦為議題，探討適當的推薦方法以協助使用者進 行挑選。

目前資訊推薦系統從技術以及類型上來劃分，主要可分成三種型式，

分 別 為 內 容 過 濾 式 ( content-based filtering, CBF ) 、 協 同 過 濾 式 ( collaborative filtering, CF )、混合過濾式( hybrid-based filtering )。內容過

2

濾式 又可稱為認知過 濾 ( cognitive filtering )， 構想源自於 資訊擷 取 ( information retrieval, IR )，此法為蒐集使用者過去的相關資料，如喜好、

購買紀錄等，系統會依此為推薦依據，提供使用者與其偏好最為相似的 推薦 ( Belkin and Croft , 1992 )。協同過濾式是透過將某個使用者的使用 歷程與其他使用者做比較，進而找出與其相似偏好的最近鄰居( nearest neighbor )，以便從最近鄰居中找出關聯性，提供系統推薦出最相近之項 目給使用者( Adomavicius and Tuzhilin , 2003 )。混合過濾式依其字面上字 義可得知為兩種或兩種以上的推薦系統混合而成，混合式可結合多種推 薦方式或演算法來彌補內容過濾式或協同過濾式不足之處。Liu and Shih ( 2005 )同樣認為混合式不但可加入不同的演算法或推薦機制，且能夠保 存內容式與過濾式的優點，依使用者需求做出調整，是一種具備高度靈 活性的推薦系統形式。

資訊推薦系統無論何種型式，核心宗旨不外乎為能提供使用者準確 率高且符合需求之推薦，如此一來不但能克服大量資訊所產生的資訊超 載問題，更能使得使用者毋須耗費心力於比較或蒐集資訊上，最後達到 協助使用者快速獲得資訊並作出正確的判斷。由此可知，推薦系統的推 薦結果優劣為評斷推薦系統品質的最重要的因素，換言之，如何使推薦 系統推薦出準確率高又符合使用者需求為本研究之重要課題，也正是本 研究欲探討的問題。

3

從上述整理可得知，推薦系統最主要關鍵因素為如何得知使用者的 偏好以利進行推薦的程序。本研究將推薦系統應用於使用者在相機產品 挑選的議題上，由於相機產品種類繁多，使用者在購買時除了必須注意 機身或鏡頭的搭配外，有些甚至光從鏡頭的挑選就琳瑯滿目五花八門，

因此這些產品的挑選皆需要透過專業知識的諮詢，才能購買適合的相機 或鏡頭。然而，有些相機產品的規格差異不大，即便有專業人員的解說，

仍常須耗費冗長時間才能比較差異，本研究即以此問題為著眼點，若能 幫助使用者快速的先進行相似產品的篩選，便可將搜尋的比較範圍縮小，

以此節省索引的時間。在欲解決此一問題時，首先可觀察到相機或鏡頭 雖然產品繁多，但其所組成的相關元件是固定的，如光圈、焦段、畫素 等，每個產品各有不同的元件規格，而每一個產品可視為一個獨立的案 例( case )，如此逐步蒐集每個個案的規格資料，將其儲存成案例，建立 成案例資料庫。當使用者搜尋資料時，便能從案例庫中找到相似之案例，

並加以利用，這整個流程即符合案例式推理( case-based reasoning, CBR ) 的過程。案例式推理是一種知往鑑來的推理法，它最大的特色在於能利 用過去解決問題的經驗對照現今所面臨的問題，從中尋找其來龍去脈，

進而能夠找出解決問題的方法。Kaedi and Ghasem-Aghaee ( 2011 )認為案 例式推理可憑藉將知識或經驗以儲存成案例的方式，並同時應用相似度 的計算，提供多元化所衍生問題的解決辦法。

4