1
整合信任網路與回饋機制之個人化餐廳推薦系統
黃河銓1，李奕縉1，黃昱凱1 1國立高雄應用科技大學 資訊管理學系摘要
本研究建置一個以整合信任網路與回饋機制之個人化餐廳推薦系統，改善推薦結果 的正確性。在信任網路機制中，透過信任推演和節點配適的輔助，增加搜尋到符合使用 者需求資訊的機率。回饋機制則利用使用者瀏覽行為作為回饋機制的基礎，用以輔助評 價結果的精確度及協助修正信任網路。本研究以美食餐廳推薦為例，透過使用者個人的 信任網路和瀏覽行為，去推演符合使用者喜好的美食餐廳，讓推薦結果可以更符合個人 化，幫助使用者找尋符合需求的美食餐廳。 關鍵字：餐廳推薦系統、信任網路、回饋機制。A Personalized Restaurant Recommender System with the Integration
of Trust Network and Feedback Mechanism
Ho-Chuan Huang1, Yi-Jin Li1, Yu-Kai Huang1
1
Department of Information Management, National Kaohsiung University of Applied Sciences
Abstract
In this paper, a recommender system was built for a personalized restaurant recommendation by the integration of trust networks and feedback mechanisms to improve the correctness of the recommended results. In trust network mechanisms, with the support of the trust deductions and the node matching, the system can greatly increase the chances of the search result to meet users' needs. In Feedback mechanisms, with the basis of user browsing behavior for a feedback mechanism, the accuracy of the recommendation results can be improved and the precision of the trust network value can be adjusted for users' preferences. A restaurant recommender system has been implemented to support the personalized restaurant recommendation in this study. With the support of personal trust networks and users' browsing behavior, the recommended results can match personalized demands and help users find the more appropriate restaurant for the needs.
3
1、緒論
網路的蓬勃快速發展，使用者雖可透過網際網路獲取大量的資訊，卻也產生了資訊 過載(Information Overload)的問題，導致越來越不易取得符合個人化需求的資訊。搜尋 引擎可以解決部分資訊過載的問題，然而透過關鍵字搜尋只能提供一般性的結果給使用 者，無法提供使用者個人化的推薦結果，使用者需要逐一瀏覽搜尋結果才能找出符合自 己需求的資訊。如果使用者對於找尋的資訊了解不夠而使用不合適的關鍵字搜尋時，更 不容易找到符合需求的資訊。推薦系統(Recommender Systems, RSs)是解決資訊超載的方 法之一 (Schafer, Konstan, and Riedi, 1999)，它能幫助使用者找出符合需求的資訊，或給 予使用者一個合適的參考推薦值，幫助使用者選擇物品項目的一個依據。如同現實生活 中使用者在尋找美食或好玩的地方，通常會先詢問親朋好友的經驗和意見，親朋好友會 依據使用者的喜好來進行建議或推薦。以信任網路(Trust-Network)為基礎的推薦技術，乃透過人際之間的信任基礎網路連 結，經由信任推演(Propagation)，將物品推薦給使用者(Papagelis, Plexousakis, and Kutsuras, 2005; Massa and Avesani, 2007)。雖然信任網路可以解決大部分的推薦問題，但由於系統 和使用者的回饋還是明顯不足，系統無法了解使用者得到推薦後的感受，使用者也不了 解系統的推薦原因，導致無法提供更精確的個人推薦。在考量推薦結果的成效外，本研 究期望除了讓推薦方式更趨近現實生活。也期望能降低信任網路中可能存在的信任孤島 問題及推薦過程中可能存在的問題，如不信任的表達能否更精確、垃圾資訊和個人隱私 的問題。 因此，本研究建置一個整合信任網路與回饋機制的個人化推薦方法，並且實作一個 餐廳推薦的應用，期望結合顯性回饋與隱性回饋的回饋優勢，以達到推薦的效率與使用 者滿意度，並透過使用者的人際關係、回饋及瀏覽行為來達到使用者個人的推薦需求。 本研究的推薦機制包含人們對親友推薦的信任依賴及快速取得推薦需求考量、推薦方式 更接近現實生活朋友提供的推薦並符合個人喜好、推薦回饋考量個人喜好和他人間信任 關係的配置及修正。在餐廳的推薦技術上，希望解決生活中口耳相傳上無法達到的速度 效果外，同時幫助使用者快速尋找合適的餐廳推薦資訊，進而降低使用者用餐的失敗 率，並提升用餐品質。透過個人信任網路與回饋的推薦結果，期望達到使用者對推薦結 果的滿意度。
2、文獻探討
2.1 推薦系統 在電子商務領域中，越來越多網路公司使用推薦系統，以解決資訊過載的問題，並 且根據使用者的喜好，推薦符合使用者需求的書籍、網頁、音樂、電影等產品，增加交 叉銷售的機會(Schafer, et al., 1999)。傳統的推薦技術包含有：協同過濾式(Collaborative Filtering Approach)、內容為基礎過濾式(Content-based Filtering Approach)、及混合式 (Hybrid Approach)等推薦技術。協同過濾式推薦技術，利用使用者可能喜歡參考來自與他興趣或喜好相似的人的建議，找出與此使用者行為與喜好最為相似的一群使用者，經 由使用者過去的交易記錄或其他的屬性，預測使用者對於事物的喜好程度，進而推薦喜 好程度最高的商品清單給使用者(Goldberg, Nichols, Oki, and Terry, 1992)。在 GroupLens 系統中首先採用 neighborhood-based 的演算法，以 Pearson 相關係數計算每位使用者的 相似度，來尋找合適的鄰居群(Neighbors)，進而對使用者可能感興趣的新聞主動的進行 推 薦 ， 使 用 者 無 需 再 建 立 許 多 種 類 的 查 詢 來 過 濾 資 訊 (Resnick, Iacovou, Suchak, Bergstorm, and Riedl, 1994)。內容為基礎過濾式推薦技術主要是針對物品屬性計算彼此 之間的相似度而產生推薦(Lang, 1995)。混合式推薦技術則整合兩種推薦方式為基礎(例 如：協同過濾式及內容過濾式)等，可針對問題的特性，結合不同推薦系統的優點以彌 補各推薦系統在特定問題處理上的盲點與不足之處。Prof Builder 分別以協同過濾式與內 容導向式演算法為使用者產生兩組推薦清單。內容導向式推薦方法主要針對使用者瀏覽 的網站，根據網站的內容與使用者的喜好，推薦使用者相似性高的網站(Wasfi, 1999)。 2.2 信任網路 信任網路為基礎的推薦方式(Papagelis, et al., 2005)，是將人與人之間的信任度視為 一種關係值，關係值越高表示信任度越高，並以信任推演的方式來進行推薦，此種推薦 方式可以降低資料稀疏(Data Sparseness Problem)和冷啟動(Cold Start Problem)的問題，當 使用者彼此間沒有共同的評價關係，可以透過信任推演來取得關係，增加推薦機會與成 功率。學者 Golbeck and Parsia (2006)對於信任的定義：信任指的是對於某人的信賴及認 同，且願意將未來活動的引導權託付給對方，相信對方能提供較好的意見及結果(Golbeck and Parsia, 2006)。在信任網路中，信任關係共有以下特性：遞移性(Transitivity)是在說明 信任網路中，節點對節點的信任是可傳遞的，經由傳遞推論，得到某一使用者對未知使 用者的信任值；不對稱(Asymmetry)是指在信任網路的圖型關係中，人與人的信任值是 不對稱的，如現實生活中，以個人的主觀去對他人進行信賴度的評價一般，每個人所互 評的結果有可能會不同；主觀(Subject)主要是因為人對人的信任是主觀的，信任網路中 的每一條連結上的信任值，皆由網路中各別成員自己的主觀所給定(Golbeck and Parsia, 2006; Massa and Avesani, 2007)。
Epinions.com (Massa and Bhattacharjee, 2004; Massa and Avesani, 2004)的設計理念就 是一個提供顧客分享評論的網站平台，使用者可以去發表他們的觀點、看法與評價。經 由意見的分享與交流，協助使用者購買的決策需求，除了提供物品的評價外，也提供人 對人的評價，隨著時間的推移，會在自己的周圍建立一個互相信任的社群網絡，顧客會 更加重視朋友的觀點，顧客也能依據此人聲譽判斷評論的正確性。推薦的方法主要是先 分別計算信任值(評估信任程度)與評價值(計算使用者相似程度)，最後結合兩者值來預 測推薦結果，即整合信任網路與純協同過濾的方式來取得推薦。Moleskiing.it (Avesani, Massa, and Tiella, 2005) 是一個滑雪社群網站主要為收集部落格使用者對滑雪的經驗及 意見，讓其他滑雪愛好者參考的推薦系統。使用者可以主觀決定對其他部落格作者的信 任程度，透過信任尺度與推薦計算，提供使用者相關及信任的部落格推薦。
12
圖 4. 系統推薦圖
參考文獻
1. Avesani, P., Massa, P., and Tiella, R. (2005), "Moleskiing.it: a Trust-aware
Recommender System for Ski Mountaineering," International Journal for infonomics, 2. Golbeck, J. and Parsia, B. (2006), "Trust network-based filtering of aggregated claims,"
International Journal of Metadata, Semantics and Ontologies, 2006, 1(1), 58-65.
3. Goldberg, D., Nichols, D., Oki, B., and Terry, D. (1992), "Using collaborative filtering to weave an information tapestry," Communcation of the ACM, 35(12), 61-70.
4. Lang, K. (1995), "NewsWeeder: Learning to Filter Netnews," in in Proceedings of the 12th International Machine Learning Conference.
5. Massa P. and Avesani, P. (2004), "Trust-Aware Collaborative Filtering for Recommender Systems," Proceedings of International Conference on Cooperative Information Systems, Agia Napa, Cyprus, 492-508.
6. Massa P. and Avesani, P. (2007), "Trust-aware recommender systems," presented at the Proceedings of the 2007 ACM conference on Recommender systems, Minneapolis, MN,
USA, 17-24.
7. Massa, P. and Bhattacharjee, B. (2004), "Using Trust in Recommender Systems: An Experimental Analysis", presented at the Proceedings of 2nd International Conference on Trust Management, Oxford, England.
8. Papagelis, M., Plexousakis, D., and Kutsuras, T. (2005), "Alleviating the sparsity
problem of collaborative filtering using trust inferences," presented at the Proceedings of the Third international conference on Trust Management, Paris, France, 224-239.
9. Resnick, P., Iacovou, N., Suchak, M. Bergstorm, P., and Riedl, J. (1994), "GroupLens: An Open Architecture for Collaborative Filtering of Netnews," in Proceedings of ACM 1994 Conference on Computer Supported Cooperative Work, Chapel Hill, North Carolina, 175-186.
10. Schafer, J. B., Konstan, J., and Riedi, J. (1999), "Recommender systems in e-commerce," presented at the Proceedings of the 1st ACM conference on Electronic commerce,
Denver, Colorado, United States, 158-166.
11. Wasfi, A. M. (1999), "Collecting user access patterns for building user profiles and collaborative filtering," presented at the Proceedings of the 4th international conference on Intelligent user interfaces, Los Angeles, California, United States, 57-64.
