第二章 文獻探討
2.4 總結
國
立 政 治 大 學
‧
N a
tio na
l C h engchi U ni ve rs it y
10
本研究也使用了 Hyuk Cho 等人所提出的兩種計算方式進行實驗。使用該演算法需要先輸 入矩陣資料集欲取得的行與列 Cluster 數量，使用 Batch Iterative Algorithms，利用所提的 兩種方法，先計算 Column 的 Cluster，再計算 Row 的 Cluster，直到收斂為止，最後輸出 行與列的分群。
2.3 如何使用 Co-Clustering 做推薦系統
現今，Co-Clustering 在演算法的開發及應用上受到關注，研究範圍相當廣，其中較廣 為人知的，是在癌症基因上的研究。除了在醫學方面的研究外，Co-Clustering 也被使用在 其他的研究，例如推薦系統。研究[9]就是以加權 Co-Clustering 演算法，在做推薦預測時，
同時考慮到使用者和推薦項目的個人偏見，該研究並提出一個新的協同過濾推薦方法。而 [10]則是結合了協同定位建議(Collaborative Location Recommendation)的框架做推薦。研究 [a55]運用協同過濾推薦系統，同時結合了使用者喜好進行推薦演算法、廣告的受歡迎程度 進行推薦演算法與考慮擴充矩陣的雙分群演算法，顯示出在缺乏已知資料的議題上能藉由 同時應用多重矩陣之間的資訊而能夠產生更佳的結果。
2.4 總結
總結上述討論，整理了表 1。如下，橫軸表示推薦系統的應用，縱軸則呈現其使用技 術，依照類別在以下各小節做說明。
‧
在電影相關研究中，有許多是以 MovieLens 或 NetFlix 的資料來做實驗。
MovieLens(http://grouplens.org/datasets/movielens/)是由美國明尼蘇達大學電腦科學與工程 學系的 GroupLens 研究小組，針對研究用途所提供之網站的電影評分資料。NetFlix 公司 是一家網路串流媒體的供應商，在 2007 年舉辦了一個 Netflix Prize 的競賽
(http://www.netflixprize.com/)，利用客戶的資料，希望能找出最好的影片推薦方法，2009 年九月，由 BellKor’s Pragmatic Chaos 團隊拿下了首獎。然而，由於隱私權問題備受爭議，
NetFlix 公司已在 2010 年取消這個比賽13。
以協同過濾方法做研究，使用 MovieLens 資料的文獻如[11]，對 Apache Mahout 實作，
使用的 Mahout Distributed Item Base Recommendation System 進行分析，修改的該實作中花 費較多執行時間的 Similarity Matrix 計算部分進行修改，實作出兩個 Distributed
13資料來源：http://en.wikipedia.org/wiki/Netflix
‧
Performance 和 Accuracy 的表現都優於原系統。[12]提出一個新的方法於動態協同過濾法 (Dynamic Similarity Collaborative Filtering，DSCF)上，衰減人與人之間的相似度，並比較 預測值與實際值的結果，讓每個使用者在不同時間點，都有適合個人的相似度衰減值。實 (Statistical Attribute Distance，SAD)的 Multi-Tier Granule Mining Algorithm 方法，提出一個 回饋推薦機制架構在協同過濾器下的推薦系統。[18]是在 CF 框架下，透過實驗，在不同 的組合中發現，使用結合個人的資訊和社群的意見，能產生更好的推薦。[17]分析了不同 的基於項目(Item-Based)的推薦演算法，透過實驗使用不同的技術(Basic Cosine/Adjusted Cosine/Correlation)來計算項目項相似之處並做評估，與基本的 K-Nearest Neighbor 方法比 較，發現基於物品(Item-Based)的算法比基於用戶(User-Based)的算法，有更好的性能。[20] 驗使用 Bayesian Learning 和 Decision Tree Learning 方法，發現基於案例推理(Case-Based) 能夠提供比由專家使用以規則基礎(Rule-Based)的預測更加準確，並且可以擴充系統。[24]
‧ 國
立 政 治 大 學
‧
N a
tio na
l C h engchi U ni ve rs it y
13
則是使用 Compaq Systems Research Center 提供的 EachMovie1 資料，採用基於內容的預測，
使用 Neighborhood-Based Algorithm 以加強現有的使用者資料，然後透過協同過濾，使用 Bag-Of-Words Naive Bayesian Text Classifier，提供個性化建議。
[19]使用了 MovieLens 的資料，提出兩個方法，一為考慮個別商品內容差異性的協同 過濾推薦技術，解決傳統協同過濾技術不考慮商品異質性的缺點，研究結果顯示，可以提 高準確度，另一個則是結合傳統協同過濾技術的混合方法，其實驗顯示該方法可以達到與 傳統協同過濾技術相同的可預測涵蓋範圍，且有較佳的推薦效果。
[25]提出了一種歸納學習方法(Inductive Learning)，即能夠同時使用評比的資訊和其他 形式的資訊，預測用戶的偏好。
2.4.2 景點/餐廳
推薦系統文獻中，也有以地點相關做的研究。例如[26]使用協同過濾方法，採用公式 計算使用者之間的興趣相似程度，配合各相對年齡層做不同權重值分數評價調整，以花蓮 為主要推薦旅遊景點，並且嵌入 Google Map API 作為旅途路徑規劃，是一套景點查詢及 規劃旅遊行程之整合型推薦系統。[10]提出了協同定位建議(Collaborative Location
Recommendation(CLR))的框架做推薦。在推薦過程中考慮了活動(例如：喜好)和不同的使 用者類別(例如：一般使用者或旅行中的使用者)，CLR 能夠產生更精確和完善的建議。此 外，CLR 採用動態分群演算法 CADC，當新的 GPS 軌跡資料產生時，可以有效的將資料 做分類，該研究也證明的 CLR 的方法較一般方法更能提出精確的推薦。
在內容過濾的基礎下，[27]使用 Facebook 建構了一個即時餐飲商店推薦系統，以機器 學習法，在多為空間中以分群法，推薦適合的餐飲商店。
‧ 國
立 政 治 大 學
‧
N a
tio na
l C h engchi U ni ve rs it y
14
[28]提出一個以標籤為基礎之混合式推薦系統，資料採用於文化資產與歷史古蹟資料 庫，建議適合使用者參訪的景點和觀覽路徑。[29]使用一種新的方法 EntreeC，結合了基 於知識(Knowledge-Based)推薦和協同過濾(Collaborative Filtering)，使用 KDD 資料庫中的 Entrée 資料，做餐館的推薦。
2.4.3 電子商務
電子商務方面，使用協同過濾方法的研究如[30]，該研究以一著名的網路音樂 CD 販 售網站 Joy Audio (http://www.joyaudio.com.tw/)為例，先將音樂進行屬性建置成模糊語意知 識庫，收集買方每次的音樂採購偏好，開發出音樂推薦系統的雛形。研究使用歐幾里德距 離(Euclidean Distance)公式計算離異度，結果顯示，使用模糊語意法進行產品推薦之動作，
可提供使用者在音樂產品上做良好的選擇。[31]根據一個音樂推薦系統 RINGO(A
Personalized Music Recommendation System)，利用其網站使用者資料，並使用四個演算法 進行實驗，發現 The Constrained Pearson R Algorithm 表現最好。[32]使用自動產生評比的 機制，利用使用者的網頁瀏覽紀錄，由實驗觀察，發現該研究所使用隱藏式評比(Implicit Rating)之協同過濾機制所得之結果較前人研究使用明顯是評比(Explicit Rating)的結果佳。
[33]不同於傳統兌換商品的系統，將網頁伺服器及資料庫和網路作結合，並加入協同過濾 推薦機制及個人化的技術，透過分析每位消費者察看及兌換商品的紀錄，找出其個人的偏 好，並為其建立一個專屬的個人化推薦機制。[34]探討 Amazon 網站使用 Item-To-Item Collaborative Filtering 推薦的方法與技術。
使用內容過濾法的研究如[35]，該研究探索電子商務模型，透過問卷調查方式了解線 上消費者的行為，運用資料探勘決策樹方法，去探索蒐集到的問卷資料，並將商品推薦分 為「一般商品推薦」及「互補商品推薦」計算模型，計算消費者對商品的喜好，進而推薦 商品給使用者。[36]探索基於內容過濾的書籍，透過應用自動化的文本分類方法，從網上
‧ 國
立 政 治 大 學
‧
N a
tio na
l C h engchi U ni ve rs it y
15
摘錄的半結構化文本，使用 LIBRA，提取網頁在 Amazon.com 的圖書資料庫，使用標題內 容的 Meta-Data，而不是圖書本身的實際文本，使用 Bayesian Learning 法，產生的最值得 推薦的結果。
混合式推薦的研究，則有[37]，該文提出了一個混合推薦系統，結合了協同過濾和 Knowledge-Based 的方法，說明可以結合各種知識庫來做推薦系統。[38]則是結合協同過 濾和基於內容的方法，提出一種新的混合推薦系統，使用 Music Machines 的資料，透過實 驗證明新的方法比使用基於內容的建議或協同過濾推薦算法，更準確的預測和更適當的建 議。
2.4.4 文本資料
推薦系統的文獻中，也有與文本資料相關的研究，[39]以協同過濾方法，使用銘傳大 學網路虛擬教室網站上的專家系統課程學生瀏覽記錄，提出階段式向前序列與興趣向量來 做為隱性評比的方式，並使用多種常見的相似度計算方式做實驗，比較其對推薦準確率的 效能。
使用混合式推薦方法的研究，如[40]，該研究提出一個混合式的文件推薦方法，使用 Digg.com 的資料，結合了共同興趣使用者的喜好與使用者原本的喜好來做推薦，第一階段 將使用者原本的喜好藉由協同過濾來拓展使用者的喜好，第二階段則是從拓展的喜好建立 使用者對文件字詞的喜好，再利用潛在語意檢索提高推薦結果的準確率，結果顯示該研究 所提的方法在實務上更具實用性。[41]提出一套個人化的學習系統，將學習測驗結果，應 用電腦適性化中試題反應理論，與學習歷程結果及問卷調查的個人偏好作為參考依據，來 做英文文章的推薦，幫助學習者增進興趣及學習效率。在[42]當中，使用 Fab
System(Stanford University Digital Library Project)，自行蒐集使用者看過的文件當作測試資 料，推薦其感興趣的文件。
‧ 國
立 政 治 大 學
‧
N a
tio na
l C h engchi U ni ve rs it y
16
2.4.5 健保
推薦系統研究，也有與健保相關的論文，如[43]，該研究以內容過濾方法，結合資料 探勘的技術，使用決策樹做分類，開發營養資訊輔助推薦系統，將結果交由執行系統決策 的營養師，進行評估做決定，並結合雲端運算的技術，讓使用者可在任何時間、地點使用。
而[44]則是藉由患者知識本體的架構建立患者項目，利用多準則方法，將重要性的熵 量度運算將資料的用藥程度作出計算，使用藥品知識本體座結合排序並推薦適用的藥品類 型。
2.4.6 社群網路服務
社群網路服務方面，利用協同過濾方式的研究，[45]結合 Facebook API 自行收集實驗 資料，取得 135 使用者樣本資料，並分析使用者的社會網絡，經由分析社會網絡中成員的 偏好，運用正規概念分析(Formal concept analysis,FCA)關聯矩陣理論進行資料分析，預測 使用者的潛在興趣。[46]使用協同過濾推薦系統，結合基於使用者的喜好、及基於廣告受 歡迎程度，並考慮擴充矩陣的共分群演算法，該研究實驗的資料來源取自一個 Financial Social Web-Site - Ad$Mart，結果顯示出在缺乏已知資料的議題上能產生更佳的處理結果。
[47]使用 Facebook 的資料，結合 Co-occurrences Relationship 和 Mutual Friend
Relationship，提出一個新穎的方法來對人臉標註做推薦，有別於其他方法中單純分析照片 上傳者在社群網站中與其他人的關係，該研究考慮了欲被標註的那群人臉之間的群組關係。
2.4.7 手機應用程式
‧ 國
立 政 治 大 學
‧
N a
tio na
l C h engchi U ni ve rs it y
17
在智慧型手機發展下，手機應用程式的推薦研究，大多以協同過濾為基礎。如[48]提 出一個 AppFunnel，利用 App 安裝的次數、使用者是否使用過此 App、使用 App 的時間
在智慧型手機發展下，手機應用程式的推薦研究，大多以協同過濾為基礎。如[48]提 出一個 AppFunnel，利用 App 安裝的次數、使用者是否使用過此 App、使用 App 的時間