情境式個人化穿著推薦系統
王宗一 邱迪凱 鍾博欽 張維高 國立成功大學 工程科學系 智慧型網路應用實驗室 [email protected]摘要
電子商務在網路上的茁壯，讓消費者 可以在網路上方便消費，但面對琳瑯滿目 的商品，消費者不易於選擇符合他們所需 求的產品。而推薦系統的發展便是為了方 便消費者在龐大的可能選擇之中找尋符合 他們的需求。推薦系統發展至今應用廣 泛，從電子商務的服務到推薦書籍、餐廳、 電玩、旅行路線等等現實生活上的需求皆 有涵蓋，但是推薦穿著搭配這一環是較少 人觸及的。在現實生活裡，人們想了解不 同場合所適合的穿著，自己的身材該如何 穿，怎樣的顏色搭配比較好，這都是使用 者在搭配穿著上所遭遇到困難，人們因此 會去詢問別人意見或是參考時尚雜誌，從 這樣的行為下人們所找尋的資訊都是具體 的衣服屬性上的對應，例如顏色、廠牌、 材質、大小和種類。根據這樣的想法，本 論文提出一個情境式個人化穿著推薦系 統，系統透過收集使用者所描述的具體之 衣服屬性、使用者的偏好和色彩學意象上 的分析來建立出使用者的個人穿著知識， 幫助使用者快速找尋針對特定情境下適合 且喜愛的穿著。 關鍵詞：推薦系統、協同過濾式推薦、內 容導向式推薦、色彩意象。一、前言
網際網路的發展越來越蓬勃和 Web 2.0[17]的概念下，人們習慣利用網路來達 到資訊分享、學習、溝通的目的。因此從 詢問朋友意見到閱讀雜誌的行為模式，都 因為網路的發展慢慢的改變人們的行為， 又由於數位相機的普及，拍攝照片後只需 要透過個人電腦處理，很容易將所拍攝的 照片與人分享。例如部落格(Blog)不管是 明星、知名人士或是一般人，常常會提供 自己的穿著照片，放置自己的部落格提供 自己的一點穿著意見；網路上也有許多討 論穿著的論壇或電子佈告欄，仿造雜誌的 形式，透過上傳照片，詢問別人穿著意見， 討論著自己的穿著與別人的穿著是否合 適。人們接收資訊的選擇變多了，如此一 來卻面臨資訊過載(Information overload) 的問題，人們必須經由大家的意見整理出 自 己 想 要 資 訊 ， 而 推 薦 系 統 (Recommendation System)發展便可以解決 資訊過載的問題。二、相關文獻探討
(一) 推薦系統(Recommendation System) 推薦系統發展的主要目的為解決資訊 過載的問題和提供使用者個人化的推薦、 內容和服務。近年來已經廣泛的研究與應 用 ， 像 推 薦 書 籍 和 CDs 的 Amazon.com[6]、推薦電影的 MovieLens[1]和推薦新聞資訊的 VERSIFI Technologies （AdaptiveInfo.com 的前身）[3]，此外像 Microsoft 已經整合推薦系統在他們的商 業服務裡[2]。 Resnick 等人[12]提出推薦系統的解 釋為：「使用者提供推薦的項目給系統當輸 入，系統收集這些資訊並加以處理，再提 供合適的項目給接受者。」，Burke[14]解 釋為：「任何一個可以產生個人化推薦結果 的系統，或是能在大量的可能選擇中、以 個人化方式引導使用者找到感興趣或有用 項目的系統，皆可稱為推薦系統。」另外， Herlocker[9]解釋為：「推薦系統採用使用 者群體的意見，來協助社群中的個體更有 效地從潛在的大量選擇中辨識出感興趣的 內容。」Sweetser 和 Wyeth[13]解釋推薦系 統的功能為：運用由專家編寫的資訊或是 從觀察消費者行為所學習而來的消費者意 向知識，來引導處理消費者選擇不知所措 的產品上。」，隨其逐漸發展至今日、推薦 系統已涵蓋比起以往更廣的範圍。 在推薦系統中，通常可根據推薦方式 分類如下： 內 容 導 向 式 推 薦 (Content-based Recommendation) 系統以使用者過往使用的物品內容資 訊做為推薦的依據。內容導向式系統經常 利用關鍵字(Keywords)來描述內容特徵， 例如 Fab[6]系統便以網頁內容中 100 個最 重要得詞彙作為代表推薦網頁給使用者， 另外像 Syskill & Webert 系統[10]則是利 用 128 個最重要的字來描述文件。像這樣 在文件中定義關鍵字重要性的權重問題， 在 資 訊 擷 取 概 念 中 最 著 名 的 方 法 即 為 TF-IDF(Term Frequency/Inverse Document Frequency)[7]，以計算詞彙出現頻率為主 要概念，可視為內容式導向式推薦系統的 基礎。假設 N 為所有可以推薦給使用者的 文件數， 為文件有關鍵字 出現的文件 數，假設 為關鍵字 在文件 所出現的 次數，則可以定義關鍵字 出現在文件 的詞頻， 如式子(2-1)： (2-1) 計算式(2-1)中 為全部關鍵字 有 出現在文件 中最大的出現頻率。關鍵字 出現在許多文章裡，是沒辦法區分文章的 重要性，因此得建立反向的文件頻率 來結合 ，關鍵字 的反向的文件頻率 為式子(2-2)： (2-2) ，如此一來便可以建立出關鍵字 在文件 的 TF-IDF 權重如式子(2-3)： (2-3) 因 此 可 以 定 義 出 文 件 的 內 容 為 式 子 (2-4)： (2-4) 相較於傳統資訊擷取的方法，另一種 增進內容導向式推薦系統的方法為建立使 用者描述記錄(User Profiles)，而使用者描 述記錄的內容包含使用者的喜好、興趣和 需求，完整的描述記錄能夠從使用者身上 尋找出重要資訊。將使用者描述紀錄定義 如式子(2-5)： (2-5)
式子(2-5)表示為使用者 c 的使用者描述紀 錄，為一個使用者描述關鍵字集合的權重 向量，可以根據使用者評分的紀錄，來計 算評過分數物品中關鍵字的權重，例如 Rocchio 演算法[8]則是利用平均的方式來 計算權重，在內容導向式推薦系統，利用 效用函數 來表示值得推薦的程度， 定義效用函數如式子（2-6）： (2-6) 其 中 和 各 以 TF-IDF 向量 與 來表示關鍵字的權 重，利用餘弦相似度來計算兩者之間的相 似度，公式(2-7)如下： (2-7) (2-7)式子中的 K 為系統中所有關鍵字的總 數。 協 同 過 濾 式 推 薦 （ Collaborative Filtering Recommendation）： 協同過濾式推薦系統最早於 1992 年 Goldberg 等人於 Tapestry 系統[4]所提出的 概念，在 1994 年 Resnick 等人於 GroupLens 系統中首次採用計算鄰近群體的演算法 [20,19]。此方法系統會藉由紀錄使用者過 去對物品的評價及喜好歷程，找出與該使 用者喜好相似程度高的使用者形成群集， 在由群集對物品的評價推薦給使用者。以 一個電影推薦系統為例，為了推薦電影給 使用者，協同過濾式推薦系統根據對使用 者對電影的嘗試（對電影的評分），找到一 群具有相似興趣的使用者後，唯有在此相 似使用者群集中高度評價的電影才會被推 薦給未看過得使用者。 根據使用者過去所評分過的項目集合 為基礎，進行預測的啟發方式。使用者 c 對於項目 s 未知的評分為 ，通常聚集 (Aggregate)N 個最相似使用者對相同項目 s 的評分計算如式子(2-8)所得： (2-8) 式子（2-8）中 表示與使用者 c 最相似且 已對項目 s 評分的 N 個使用者。聚合函數 (Aggregate Function)可以採用任意函數， 將會產生不同的估計值，最常見的聚合函 數(2-9)如下： (2-9) 式 子 (2-9) 中 乘 數 k 為 正 規 化 參 數 (normalizing factor) ， 通 常 會 被 選 定 為 ， 表示使用者 c 的平均 評分。公式 (2-9a)為單純計算所有對該項目 評分之相似使用者的平均評分；公式(2-9b) 以兩個使用者之間相似度高低做為評分權 重衡量因素，相似度越高的使用者給予的 評分權重也越大：公式(2-9c)則對使用者評 分標準範圍不一的問題做處理，將評分給 予正規化，在調整過後的結果進行加權計 算。本論文為採取公式(2-9c)的分法。另外
也有喜好導向過濾(Preference-based)的方 法可以解決不同使用者評分尺度不一的問 題，著重於預測相對的喜好高低，並非純 粹的評分值。 在協同過濾式推薦系統裡，為了要計 算兩個使用者相似度 的方法，通 常會以兩個使用者皆評過的項目做為依據 進行衡量，最普遍採用的兩種方法為關聯 法(Correlation)與餘弦法(Cosine-based): 關聯法 代表使用者 x 與使用者 y 共同評分 過得項目集合，以 Pearson 相關係數來計 算使用者 x 與使用者 y 的相似度如式子 (2-10)所示： (2-10) 餘弦法 將使用者x 與使用者 y 表示為在 m 維 空間中的兩個向量 和 ， ，則可 以計算兩個向量的餘弦值表示兩者的相似 度如式子(2-11)所示： (2-12) 混 合 式 推 薦 （ Hybrid recommendations）： 混合式推薦方式是將內容導向式推薦及協 同過濾式推薦方法合併應用，主要目的是 避免兩種方式單獨實行上會遭遇的問題與 限制，以取得較佳的推薦結果，合併的方 法可分類如下： 1. 合併個別的推薦結果 分別運用內容導向式推薦與協同過濾 式推薦方法，產生個別的推薦結果，再將 推薦結果合併。從個別的推薦系統獲得推 薦結果後，以線性權重結合計算分數或是 投票制決定最後結果[11]。 2. 將內容導向式推薦的特性加入至協 同過濾式推薦 基於協同過濾式推薦方式，並建立每 位使用者內容導向式推薦的個人描繪，以 這些使用者的個人描繪為輔助來計算兩個 使用者的相似度。像[11]文獻中的動機就 是利用此方式來解決協同過濾式推薦系統 有稀疏性的缺點。 3. 將協同過濾式推薦的特性加入至內 容導向式推薦 利用一群使用者之間創造出共同觀點 的描繪行為，作為推薦基礎，可以改進純 內容導向式推薦的效能。 4. 建立單一的聯合推薦模型 找尋兩推薦方法的特性建立起單一規 則的推薦方式。例如採用機率方式合併兩 種 推 薦 ， 採 用 貝 氏 混 合 效 應 回 歸 模 型 (Bayesian mixed-effect regression models) 等等…。 (二)色彩學 在自然界裡人們對於各種物體的認知 中，色彩扮演一個極為重要的角色，從自 然界的啟示裡，色彩給了我們許多強烈的 暗示。因此，人類開始將色彩應用在自己 的環境上、身體上和穿著上等等；人對於 色彩的了解往往是由傳統的見解、風俗習 慣、生活經驗、個人人格個性和直覺做為 色彩認知和色彩配色上的運用[15]，色彩 學的研究就單色與配色意象方面已經有概 略性的評價，在相關研究應用方面已經有 模糊理論、感性工學、灰色理論和類神經 遺 傳 演 算 法 等 等 … 。 形 容 詞 影 像 比 例
[16][18]，當人們用影像來表達顏色時，常 用「可愛的」或「柔和的」等形容詞做描 述，把顏色和一般用來表現該顏色的形容 詞加以連結成果。這樣的形容詞影像比例 [16][18]，以各種視覺材料為實證進而製作 出配色符號，也說明陳列出多種材質的衣 服並對衣服進行評價時，以一般人來說雖 然這會讓人猶豫不決，但是如果排列出各 種顏色並詢問「這個顏色怎樣？」的話， 不論誰都可以說出意見，由此可知在穿著 上色彩學的應用絕對是直覺且實用的。
三、系統架構
本章節介紹此論文所採用的研究方 法，並提出一個情境式個人化穿著推薦系 統 (Contextual Personalized Wearing Recommendation System)。情境式個人化 穿著推薦系統主要的目的是將時尚穿著推 薦導入推薦系統裡，使用者藉由與情境式 個人化穿著推薦系統的互動，例如提供穿 著照片、對照片編輯單品資訊和對其他使 用者所提供的照片回饋。情境式個人化穿 著推薦系統會根據使用者所提供穿著資訊 與對其他使用者的穿著回饋推薦穿著給使 用者，並根據使用者個人衣櫃內的單品配 對相似的穿著給使用者。本研究的系統架 構圖如圖 3-1 所示： 圖 3 - 1 系統架構圖 (一) 色彩學知識庫(Chromatic Knowledge Base) 此資料庫是採用[16]，根據裡面所提 供的配色，我們採用 2653 種配色，26 種 配色語意建立出本系統的色彩學知識資料 庫。 (二) 個人衣櫃(Wardrobe) 個人衣櫃主要是要紀錄使用者所提供 的穿著與穿著資訊，在情境式個人化穿著 推薦系統中使用者是用一張照片來表示自 己的穿著，透過系統編輯單品來提供穿著 資訊，這些資訊我們都會紀錄在個人衣櫃 資料庫裡。使用者所提供的穿著與單品實 做資料表，可示意如圖 3-2： 圖 3 - 2 個人衣櫃資料庫實作 此資料表上詳細所紀錄的單品屬性有種類 (type)、品牌 (brand)、顏色(color)、大小 (size) 和材質(material)。當編輯完後，系統會根 據所編輯的穿著資訊推論出建議的情境給 使用者，使用者可以不接受此建議而改變 情境，在穿著都會將此資料紀錄起來。 (三) 描繪模組(Profiling Module) 描繪模組主要的目的是要描繪出使用 者的個人穿著知識，描繪模組的示意如圖 3-3 所示： 圖 3 - 3 描繪模組如圖 3-4 所示描繪模組的主要資料來源為 個人衣櫃內的穿著和對別人穿著的回饋。 首先從個人衣櫃內的穿著來說明，如上小 節所述，當使用者編輯完穿著資訊時，系 統會建議情境給使用者，使用者可以贊同 或是不贊同，以下我們先定義一個個人屬 性值(Personal Attribute Value , PAV)如式子 (3-1)所示： (3-1) 式子(3-1)中 表示使用者 u 在情境 c 下對屬性 a 接受程度，其中 Points 總得 分，Count 為總共計算的次數。每次編輯 穿著後，當系統給情境建議時，若使用者 接受供照片的使用者所描述的情境則我們 做遞增，不贊同則做遞減，對改變的情境 做遞增。例如 表示 說使用者 Amy 的屬性襯衫在正式風的 15 次統計中共得 10 分。 本系統採取 RGB 顏色系統，在此系 統裡，如＃FF0000 和＃FE0000 都是紅 色，在肉眼上並分辨不出，所以我們必須 計算顏色上的相似度處理，顏色相識度計 算如式子(3-2)所示： (3-2) 式子(3-2)表示為 的相似度， MaxED 為 RGB 系 統 的 最 大 歐 式 距 離 （ Euclidean Distance ） 即 為 白 色 （ ＃ FFFFFF）和黑色（＃000000）的歐式距離 約為 441.67，RGBSIM 的值介於在[0,1]區 間，1 為最相似。利用此相似度與色彩學 知識庫比對，找尋一組最像似的相關形容 詞。 (四) 情境推論模組(Contextual Reasoning Module) 此模組最主要的功能，是根據使用者 所編輯的穿著資訊，來推測建議該穿著所 適合的情境給使用者。我們先定義一個共 同屬性值(Common Attribute Value , CAV) 式子(3-3)所示： (3-3) 如式子(3-3)中 表示為在屬性 a 在情 境 c 下的共同屬性值為一個高、中或低程 度。高代表為屬性 a 在情境 c 下是大眾所 接受度為強烈的。情境推論模組如圖 3-4 所示： 圖 3 - 4 情境推論模組 如圖 3-4 所示，情境推論模組會去查詢個 人穿著知識庫與共同穿著知識庫內的所有 屬性值來計算出合適的情境給使用者。收 集整理一般人的穿著常識，手動建立基本 的共同穿著知識作為系統的初始設定。另 外必須將個人穿著知識與共同穿著知識做 相對應動作，其相對應的式子(3-4)如下：
(3-4) 將高、中和低給予對應的值分別為 3 分、2 分和 1 分，利用如圖 3-5 所示的方式來推 論情境給使用者。 圖 3 - 5 情境推論 (五) 回饋模組(Feedback Module) 此模組主要是在收集使用者的回饋， 本系統的回饋資料主要有 2 種，一為使用 者純粹對照片上穿著的美觀程度，另外為 情境的認同。收集回饋的主要目的為建立 使用者的個人穿著資訊和提供給個人化推 薦模組計算產生推薦給使用者。 (六) 個 人 化 推 薦 模 組 (Personalized Recommendation Module) 此模組的輸入為一群穿著的集合，主 要的目的在推測使用者所感興趣的穿著和 此穿著是否適合使用者的身材。此模組為 一個混合式推薦系統，主要有三個子模 組，分別為身材相似模組(Body Similarity, BS)、內容導向式(Content-based, CB)和協 同式過濾式(Collaborative Filter, CF)，如圖 3-6 所示： 圖 3 - 6 個人化推薦模組 本系統的身材相似的計算方式，利用 身體質量指數(Body Mass Index, BMI)，此 指數是世界衛生組織(WHO)推薦作為一 個利用身高與體重的比例來評估肥胖指標 的重要依據。其 BMI 公式(3-5)如下： (3-5) 利用 BMI 求出身材相似度公式(3-6)如下： (3-6) 第二個子模組為內容導向式。首先情境式 個人化穿著推薦系統會動態的建立使用者 個 人 喜 好 檔 案 (User Preference Profile, UPP)，從使用者的個人衣櫃中找尋屬於該 情境的穿著及評過別人的穿著中分數大於 3 的穿著，利用圖 3-7 方式將所有屬性建 立出個人喜好檔案另外我們為了要提高推 薦的精確度，將每一個穿著分成六個主要 部份為頭部、上半身、下半身、外套、腳 部及配件，將每個屬性依照這六個部份分 開計算再取一個平均值，因為外套與褲子 來比對，似乎沒有意義。 。 圖 3 - 7 UPP 建立
當情境式個人化穿著推薦系統建立出 個人喜好檔案後，計算個人樣式與穿著的 相似度計算，其計算演算法如圖 3-8 所示： 圖 3 - 8 個人喜好檔案與穿著相似度計算演算法 最後一個子模組為協同過濾式模組， 此模組主要是要找尋興趣與自己相似的使 用 者 ， 稱 為 相 似 興 趣 的 鄰 居 (Nearest Neighbor)，參考相似興趣的鄰居的意見， 找尋出使用者感興趣的穿著，情境式個人 化穿著推薦系統找尋相似興趣鄰居的演算 法如圖 3-9 所示： 圖 3 - 9 尋相似興趣鄰居的演算法 圖 3 - 9 中相似度計算式(3-7)如下： (3-7) 式子(3-6)中 為使用者 i 對穿著 o 的評 分， 為使用者 i 的平均分數。之後我們 要 計 算 使 用 者 對 某 個 穿 著 的 興 趣 分 數 (Interest Points, IP)，興趣分數如公式(3-8) 所示： (3-8) (3-9) 式子(3-8)中 表示為使用者 i 對穿 著 o 的興趣分數，其中 為使用者 i 評分 的平均分數， 為鄰居 u 對穿著 o 所打得 評分，k 計算方式如式子(3-9)所表示為一 個正規化參數(normalizing factor)，主要是 將鄰居的相似度做正規化的動作。之後我 們用以下的演算法對所有的穿著算出使用 者的興趣分數，演算法如圖 3-10 所示： 圖 3 - 10 協同式過濾計算使用者興趣分數
經由這三個子模組，每一個可能被推 薦的穿著都會有 BS、CB 和 CF 這三個分 數，經由線性加權權重來計算總分(Total Point, TP)，式子(3-10)是我們計算總分的 方式： (3-10) 在 式 子 (3-10) 中 且 。計算完所有穿著的總分後 我們排序分數，推薦分數最高的三個穿著 給使用者。 (七) 個 人 化 穿 著 配 對 模 組 (Personalized Outfit Matching Module)
本模組主要的目的是根據系統所推薦的穿 著，找尋使用者衣櫃內的單品做最合適的 配對，本模組的示意圖如圖 3-11 所示： 圖 3 - 11 個人化穿著配對模組 如圖 3-11 所示，根據使用者個人衣櫃內的 單品內容與所推薦的穿著單品內容比對， 排列組合應該是不止一套，但是我們必須 找出一套最相似的配對給使用者參考。首 先我們根據系統所推薦的穿著上每一個單 品建立所屬的串列，在每一個串列找尋個 人衣櫃內相同種類單品加入，然後將所有 的串列做排列得出候選的配對穿著。之後 將候選的配對穿著中每一個單品與推薦的 穿著中的單品，用圖 3-12 中的演算法算出 一個相似分數： 圖 3 - 12 單品相似度演算法 每套候選配對穿著，會加權出一個相 似總分，之後將加權後的配對穿著，依分 數排列，一一列舉給使用者參考。 (八) 聚集代理人(Aggregate Agent) 聚集代理人主要的目的是收集眾人的 個人穿著知識庫來更新共同穿著知識庫， 如圖 3-13 所示: 圖 3 - 13 聚集代理人 如圖 3-13 所示，聚集代理人會收集所有人 的 PAV 轉換成 CAV 然後儲存在共同穿著知 識庫裡。利用這樣的方法來建立共同的穿 著知識可以解決冷啟動(Cold Start)的問 題、建立出大眾的穿著知識和找出時尚的 變化，保持系統的延展性。
四、實驗結果
推薦系統準確率的衡量方式，最常使 用 的 統 計 方 法 為 平 均 絕 對 誤 差 (Mean Absolute Error, MAE)，是比較測試資料的預測結果與實際結果之間的誤差大小， MAE 越小即代表誤差越小。MAE 的計算 方式如式子(4-1)所表示： (4-1) 如式子(4-1)所示 n 為總資料量， 表示為 預測值， 表示為實際值， 代表為兩者 之間的誤差，本研究則採用 MAE 來衡量 推薦方式的準確率。 (一) 實驗流程 本研究實驗流程共分三個階段，第一 階段為募集資料來源，本階段為了累積大 量的穿著來源與使用者的回饋資料，本研 究找尋願意參與實驗的自願者，提供穿著 資訊，在 2009 年 6 月這段時間，本系統共 有 25 名註冊使用過本系統，25 名使用者 分別 11 名男性，14 名為女性，這些使用 者在使用階段供提供的 86 套穿著，196 個 單品所組合而成，收集穿著資訊結束後， 要求使用者任意的回饋資訊，在此共收集 了 75 筆回饋。 在第二階段系統正式的開始啟動推薦 功能。收集了使用者實際給的回饋值與系 統所預測值，用來推測系統推薦結果準確 度，在此階段本實驗共收集了 163 筆回 饋，比較推薦結果的準確率之外，本研究 的實驗分析輔以使用者回饋問卷，問卷設 計 的 內 容 為 根 據 TAM （ Technology Acceptance Model）[5]所設計。 (二) 實驗分析 根據推薦系統準確率的評估方式，本 研究的推薦方式主要是根據個人化推薦模 組的三個子模組分別為身材相似度模組、 內容導向式模組和協同過濾式模組，想了 解怎樣的權重比例比較適合本系統，本研 究從第二階段使用者開始使用本系統推薦 功能，共收集了 163 次推薦紀錄，並由這 紀錄來計算出不同參數的預測值，並從這 些參數的比重了解系統制定參數的比重， 測試數據如圖 4-1 所示： 圖 4 - 1 參數比重比較圖 從圖 4-1 所示，BS 為身材相似模組， CB 為內容導向式模組，CF 為協同過濾是 模 組 ， 當 權 重 比 例 為 BS=0.1,CB=0.2,CF=0.7 時 MAE 測試為最 小，由此可知當 CF 權重比例比較大時， 其精確度會比較好，這就好比現實生活 中，詢問別人意見和參考時尚雜誌一樣。 但 以 權 重 比 例 為 BS=0.33,CB=0.33,CF=0.33 與權重比例為 BS=0.2,CB=0.4,CF=0.4 來比較時，雖然後 者的 CF 權重比較高，但其精確度較低， 主要的原因為內容導向式的權重不宜調整 的太大，在本研究的觀察，穿著搭配這方 面，使用者是容易改變其個人偏好的。另 外在身材相似度模組也不適合比內容導向 式模組權重大，主要原因為一般使用者在 找尋穿著時，會先考慮到自己的偏好找尋 合適的穿著，在根據自己的身材來挑選合 不合適，但追究另一個原因，使用本系統 的使用者皆屬於在標準身材內，在找尋穿 著時並不會考慮其身材是否合適。 本研究想了解有無個人化推薦的準確 度比較，MAE 測試如圖 4-2 所示：
圖 4 - 2 有無個人化推薦比較 由圖 4-2 所示，本研究無個人化推薦則採 用平均分數推薦方式，個人化推薦則採用 本系統個人化推薦模組設計的方式做推 薦，由圖 4-2 所知無個人化推薦 MAE 收 斂在約 1.2 左右，而有個人化推薦則 MAE 收斂約在 0.7 坐右，其精確度明顯的優於 無個人化推薦方式。 如圖 4-3 和圖 4-4 所示，由使用者針 對特殊風格與場合推薦下，贊同與否的紀 錄，根據此紀錄，本研究分析有無個人化 推薦的結果，在無個人化部份，是使用平 均情境推薦，即推薦一個平均值大的情境 給使用者，並無透過系統收集個人穿著知 識來推薦給使用者。 圖 4 - 3 場合推薦百分比 圖 4 - 4 風格推薦百分比 由圖 4-3 與圖 4-4 所示，有個人化的贊成 百分比都大於無個人，另外可以分析，像 圖 4-11 中的休閒風在 27 次推薦中被贊同 大約 70%，由此可知當被推薦的次數越 多，所推薦的情境越能符合使用者所認同 的情境，相對的在華麗風的 4 次推薦中只 被贊同了一次，明顯的系統是透過收集穿 著知識來針對特定情境下的穿著給使用 者。
五、結論
這是一個資訊爆炸的時代，任何與生 活上息息相關的資訊，皆容易在網路上取 得，因此在如何找到合適的資訊，皆是未 來所有資訊系統的重點，本研究所提出的 情境式個人化穿著推薦系統主要目的為針 對特定的情境下幫助使用者在龐大的穿著 資訊中找尋合適自己的穿著，同時也提供 了一個良好的資訊平台讓使用者提供穿著 與參與穿著搭配上的討論，在此情況下建 立使用者的穿著知識和建立情境之間的關 連性，在實驗結果顯示本研究的構思是合 理且可行，在參與使用者的問卷顯示，本 研究的確實讓使用者認知有用且易用，並 且達到使用者意圖使用本系統。六、致謝
本 研 究 承 蒙 國 科 會 計 畫NSC95-2221-E-006-158-MY3 經費部分補 助，特此感謝。
七、參考文獻
[1] B.N. Miller, I. Albert, S.K. Lam, J.A. Konstan, and J. Riedl, "MovieLens Unplugged: Experiences with an Occasionally Contented Recommender System." Proc. Int'l Conf. Intelligent User Interfaces, 2003.
[2] C.C. Peddy and D. Armentrout, “Building Solutions with Microsoft Commerce Server 2002.” Microsoft Press, 2003.
[3] D. Billsus, C.A. Brunk, C. Evans, B. Gladish, and M. Pazzani, “Adaptive Interfaces for Ubiquitous Web Access.” Comm, ACM, vol.45, no. 5, pp.34-38,2002.
[4] D. Goldberg, D. Nichols, B.M. Oki, and D. Terry, “Using Collaborative Filtering to Weave an Information Tapestry,” Comm. ACM, vol. 35, no. 12, pp. 67-70,1991.
[5] F. D. Davis, “Perceived usefulness, perceived ease of use, and user acceptance of information technology.” MIS Quarterly, 13(3), 319-340, 1989. [6] G. Linden, B. Smith, and J. York,
“Amzaon.com Recommendation: Item-to-Item Collaborative filtering.”
IEEE Internet Computing, Jan./Feb. 2003.
[7] G. Salton, “Automatic Text Processing.” Addison-Wesley, 1989.
[8] J.J. Rocchio, “Relevance Feedback in Information Retrieval,” SMART
Retrieval System- Experiments in Automatic Document Processing, G. Salton, ed., chapter 14, Prentice Hall, 1971.
[9] J.L. Herlocker, J.A. Konstan and L.G. Terveen, “Evaluating collaborative filtering recommender system,” ACM Transactions on Information Systems, vol.22(1), pp. 5-53,2004.
[10] M. Pazzani and D. Billsus, “Learning and Revising User Profiles: The Identification of Interesting Web Sites,” Machine Learning, vol. 27, pp. 313-331, 1997.
[11] M. Pazzani, “A Framework for Collaborative, Content-Based, and Demographic Filtering,” Artificial Intelligence Rev., pp. 393-408, Dec. 1999.
[12] P. Resnick and H.R. Varian, “Recommender Systems,” Communications of the ACM, vol.40(3), pp. 56-58, 1997.
[13] P. Sweetser and P. Wyeth, “GameFlow: a model for evaluating player enjoyment in games,” ACM Computers in Entertainment(CIE), vol.3(3),2005.
[14] R. Burke, “Hybrid Recommender systems: survey and experiment,” User Model. User Adapt. Inter., vol.12, pp. 331-370,2002.
[15] 歐秀明，賴來洋，“實用色彩學”， 雄獅圖書公司， 八十八年。
[16] Youngjin.com 著，”給設計師的專業 配色典 - The Color for Designer.”，博碩 文化，2009。
[17] http://zh.wikipedia.org/wiki/Web_2.0
