第二章、 文獻探討
第四節、 網際網路中的推薦與信任
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
11
第三節、社會網路
社會網路的發展已經有一段時間了，其中有一很著名的理論「Six degrees of Separation」，其由 Stanley Milgram 在 1960 年代所提出(Milgram, 1967)，這理論 指出在這世界上的任一兩個人之前，可以透過最多不超過六個人連結得到。社會 網絡的研究範圍相當的廣泛，更包括了疾病的傳播 (Golbeck et al., 2003) 以及工 作的找尋；在 Marmaros and Sacerdote (2002) 當中也證實了不同網絡對於找工作 的結果有極大的相關，要找到好的工作跟你所位於的社群是互相連結的。到了最 近，網際網路上社群網站的蓬勃發展，更將原先在現實生活中的社會網路，移植 到網路上。許多原本在現實生活中的社會網路功能，也都在網際網路上展現，其 中包括了，人員的招募及工作職缺的介紹 [d]。透過網路使用者之間的連結，我 們可將資訊透過一條一條的人脈路徑傳遞出去，不僅加快了資訊的傳遞，也利用 了人脈的特性，判斷資訊的可靠度。
在 Golbeck (2009) 的研究中更進一步地探討，目前線上社群網絡中的公共 資料通常只包括網絡中的結構（誰是誰的朋友等…），許多使用者與使用者間的 互動紀錄，以及使用者與系統間的互動紀錄都是隱密的。因此許多以此開發的應 用受到了相當大的限制，如果在設計相關的演算法時，也應該要考量到資料現有 欄位的問題。以本研究為例，因為目前所擁有某國立大學 EMBA 學員的資料只 包含了其相關的學經歷背景，為了要能讓人才推薦機制能夠順利的運作，本研究 便利用同學及同事的關係來達到網絡的建立。接著再利用成員間學經歷背景的相 似度，來推算出其顯性工作能力相似的程度，最後再以此向招募單位推薦相關的 人才。
第四節、網際網路中的推薦與信任
2.4.1 網際網路中的推薦
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
12
在網際網路蓬勃發展的今天，網路上充斥的許多資訊，包含了商品、電影、
部落格文章、網頁等資訊。為了要在有限的時間內得到有用且符合自己需求的資 訊，網際網路中的推薦機制便扮演了相當重要的角色。推薦系統工作流程主要分 為三個步驟，第一個步驟是蒐集使用者資訊，並且加以存檔；第二個步驟是根據 使用者資訊進行資料的篩選與推薦；第三個步驟是使用者對於推薦結果進行評估 後回饋給系統（何丁武等，2006），如圖 3 所示。
圖 3、推薦系統工作流程
資料來源：何丁武、邱耀漢、楊建民(2006)
進一步地我們可以將網際網路中的推薦機制進行分類，分別為內容式過濾、
協同式過濾與連結導向 (McDonald, 2003)，分別說明如下：
(1) 內容式過濾 (Content-Based Filtering)
內容式過濾推薦方式主要比較使用者的喜好與其他資訊，或者是商品間的相 似度（相關度）。相似度（相關度）越高的資訊，商品越會被推薦給使用者。
(2) 協同式過濾 (Collaborative Filtering)
協同式過濾推薦的方式，主要是比較使用者本身對商品或是資訊評價的相似 度。在這裡我們可以稱使用者對商品或資訊的評價資訊為「使用者輪廓」，使用 協同式過濾的推薦系統，會推薦使用者輪廓與使用者相似的系統中其他成員所評
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
13
價的資訊，或者是商品，給該使用者。
(3) 連結導向 (Link-Based)
此種方式主要是利用圖論演算法，找尋整個圖中，最多人參照到的節點，並 將此節點推薦給使用者。
本研究中的人才推薦，主要是採用 Content-Based Filtering 的推薦方式，此 種方式主要是透過商品或資訊本身間的相似度，來推薦相似的物品給使用者。在 本研究中，首先會請使用者對數個認識的成員作顯性工作能力評價，透過計算成 員與成員間學經歷背景的相似度，來找出擁有相似顯性工作能力的成員，並把這 些成員們推薦給使用者。
2.4.2 網際網路中的信任
除了上節所述的那些傳統的推薦方式，有學者便將現實生活中，朋友對朋友 的推薦方式，引用至網際網路當中。現今所發展的網際網路中的信任應用相當廣 泛，其應用像是電影的推薦、電子郵件的篩選、部落格推薦等等（李永銘等，2007；
李永銘等，2006；Golbeck et al., 2003；Golbeck, 2006)。信任的發展在目前這種 資訊爆炸的狀況之下，尤其重要。最近，許多信任相關地研究大多著重在「信任 推論」上面，這種信任值預測的模型，多在利用信任值在信任網絡（利用信任關 係所串起的人脈網絡）中的傳播，來預測對於一未曾碰面過網絡中成員的信任度 (Abdul-Rahman and Hailes, 2000；Golbeck, 2003)，透過這樣的推論，便可對一未 曾謀面的人得到信任的評價。Sinha and Sewaringen (2001) 發現使用者較喜歡從 他們認識，或是信任的人那裡收到推薦，例：朋友、家人等…，勝過於從線上推 薦系統那收到相關推薦資訊。於是有研究便開始利用”信任”來支援或者是取代傳 統上的推薦方式。在 Papagelis et al. (2005) 中便利用兩使用者間評價物品的紀錄 來計算其中的品味相似度，當相似度越高時，便可以說兩使用者間存在越大的信
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
14
任。透過這些信任值的建立，雖然兩使用者之間並沒有相同的商品評價記錄，但 透過信任的推論，系統便可利用推論的結果來支援 Collaborative Filtering 的推薦 方式，擴大 Collaborative Filtering 的推薦範圍。Kim et al. (2008) 便利用信任來取 代傳統的 Collaborative Filtering 推薦方式，直接利用 Global Trust 來做推薦；Cosley (2003)、Ziegler and Golbeck (2005)、Bonhard et al. (2006)、Golbeck (2009) 等人 也透過實驗的方式，來找出傳統上 filtering 中的相似度跟信任是否有關係。實驗 發現當使用者越相似的時候，其越信任對方或者其間的合作也越愉快。不過在上 述研究中的相似度，多半侷限在商品評價的紀錄，或者是使用者的基本資料（年 齡、性別等），而且其所探討信任的領域多半是某種品味上的信任，例：電影、
音樂及部落格文章等，跟本研究所論及之學經歷背景相似度及在某產業別中的工 作表現信任有相當大的差別。因為在上述研究中，實驗顯示當使用者越相似的話，
其對對方的在品味的信任度越高，這是合理的，因為當你跟其他使用者越相似的 話，同時也代表你與他的品味越雷同，因此合理的推斷你會越信任其品味。但是 若此信任是指在某產業別下工作表現的信任，當使用者之間學經歷背景越相似時，
並不代表其越相信其工作能力，我們只能推斷說使用者們在該產業別下的顯性工 作表現會一致。
更進一步的來討論信任的種類，有研究提出信任可分成兩種 (Kim et al., 2008)，一為 Global Trust（信譽），另一為 Local Trust（信任推論）。在 Global Trust 信任度計算方式之下，因為信任度的值是綜合網路整體的意見而來，因此每項資 訊都有一固定的信任度，而不會因為之於不同的人而有所改變。這樣的狀況，與 現實生活中的狀況不是那麼的相同。就現實而言，每個人對於同樣的資訊都有不 同的信任度，所以這樣的機制實在不足以反映現實。這樣看起來 Local Trust 似乎 是比較滿足現實的狀況，但 Local Trust 信任度計算方式，有一缺點，那就是每個 人都必頇要維護一份朋友的信任清單。以現今的狀況之下，這樣的信任資訊是缺 少的，必頇要重頭建立，所以透過 Global 以及 Local Trust 的結合，將是一較可
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
15
行的方式。