推薦系統

出自LIS Wiki
跳轉到: 導覽搜尋

在現實生活中每個人對每件事會有不同的觀點但這樣的觀點有時很抽象。使用者無法使用一串關鍵字來正確表達它,而推薦系統(recommendation system)就是一個針對個人化問題發展出來的網路智慧型系統,它能幫助我們快速找尋到我們有興趣的資料或商品,若消費者覺得購買的商品很符合自己的習性,以後便會增加對系統的信賴度,更常使用系統來消費,而系統能準確預測出消費者對於購買商品的偏好,便能促進電子商品的交易買賣還有增加公司的銷售量。可以達到使用者和系統雙贏的目標。

目錄

定義

從Goldberg 等人於1992年提出合作協同過濾後, 到Resnick 與Varian在1997年正式提出推薦系統(Recommender Systems), 根據Rashid 等人的定義,推薦系統是用來在某些複 雜的資訊空間幫助人們做決定,基於對使用者的認識以及了解,針對其可能 的需求做一些分析,推薦其可能感興趣的項目;屬於在AI 領域下代理人的 一種,為具有智慧且可個人化的做法。

Middleton(2001)中提到,代理人可分為人物基礎的、 社會性的、能夠從使用者學習的和使用者模式的。而推薦系統則屬於一種特 殊的社會性代理人,他們也被稱為合作(協同)過濾,能從其他人的推薦中 找出相關的項目。典型的作法是由使用者本身所擁有的評比,找到相似的使 用者群,以其擁有共同興趣領域的方式來分享推薦物。

推薦系統目前主要的方式有幾類,其中以協同式過濾(collaborative filtering, CF)和內容式過濾(content-based filtering, CBF)為主,前者是利用廣大網路上前人的經驗所給予的推薦,後者是針對個人對某些商品的特徵點計算出這個人對各特徵點的重視程度,進而做出預測。另外也有混合這兩者的混合式推薦系統。

協同式過濾 collaborative filtering

協同式推薦系統由於是在相同經驗群聚成員中進行,所以又稱為社會式濾波器(social filtering)。也因為是在廣大的資料庫中找尋適合的推薦者(recommender)來推薦給使用者,也被稱為推薦者系統(recommender system) 。他的主要概念相當的簡單。在相同喜好的群聚中,使用者和其它成員,因為在思想或是喜好上接近,其它成員所喜愛之物品,有很大的機會也是該使用者有所興趣。換句話說,就是經由系統將某人曾經使用過的產品或服務經由「口述」(word-of-mouth)的方式自動化傳達給另一個和某人相類似的人們。在這樣的機制裡,使用者如果想要知道此產品是否符合自己的喜好,便是依據和自己喜好相似的使用者,對該產品的喜好程度高低來決定。 推薦系統應用的層面相當廣泛,例如:協同式網路新聞推薦系統。利用代理人機制(agents)計算使用者相似度來進行推薦。另外像是世界上最大的網路書店亞馬遜( Amazon.com )也是使用協同式推薦系統,亦在使用者裡面有著相當好的評價。以Amazon為例,該公司掌握了客戶過去的歷史購買資訊,累積資訊的結果可以發現使用者購買商品之相關性,這樣的相關性就成為他推薦的主要依據。 雖然協同式推薦系統是目前表現比較好的推薦系統,它能依據各項目的品質、風格或觀點來產生推薦,亦能藉由一群喜好類似之使用者的相互合作,推薦出超出預期範圍內的項目。但是協同式推薦系統還是有他的侷限性在:

(1)稀疏性(sparsity)

當商品數量超出使用者時,兩者的比例十分懸殊時,系統就無法找到適合的推薦者來進行推薦。

(2)擴充性(scalability)

當使用者及物品數量越來越大時,會嚴重影響到電腦的運算速度。因為系統所採用的最接近鄰居法,其計算複雜度與使用者數量或物品數量成平方的關係。

(3)同義(synonymy)

當物品擁有不同名稱,卻是指相同的東西時,系統會將它們當成兩個不同的東西無法辨識。

內容式過濾 content-based filtering

人類在面對不同的選擇之時,會選擇和印象中接近或是相似的東西。這些東西都會有這個人特別喜好的一些特徵在裡面。內容式推薦系統,又被稱為以特徵為基礎之濾波器(feature-based filtering)。其依據的基礎是對物品內容的分析,而不是人的評價。內容式推薦系統希望算出該推薦者對內容的喜愛程度,再將此數值交由預測模組算出該名使用者的可能會感興趣的特徵,進而找出使用者喜歡的物品。 因為內容式推薦系統是針對物品內容去做分析,進而推薦使用者,所以沒有協同式推薦系統冷啟動(cold start)的問題,然而這也是造成內容式推薦系統的缺點的因素。包括了:

(1)分析物品只能用特徵集合,對於聲音、圖片、藝術品、影像、文字等沒辦法被化為特徵的屬性沒辦法處理。

(2)無法找出與和過去經歷有所不同且具意義性的推薦。這是由於單純對物品做處理,使用者只能接收到與過去經歷類似的推薦項目,這樣便失去許多的潛在推薦的可能性。

(3)對於內容品質、設計風格或使用者觀點等等,內容式推薦系統由於是針對內容,所以無法處理。如果遇到同名的兩樣物品若是有兩種不同本質的情況時內容式推薦系統並沒有辦法有效的分辨。1

混合式推薦系統(Hybrid Approach)

上兩節說明了內容式推薦系統和協同式推薦系統的優缺點,然而為了改進各自的缺點,合併雙方的優點,結合兩種方法的推薦系統就很自然而然的產生出來。這就是所謂的混合式推薦系統(hybrid approach)。Q. Li 和B. M. Kim 分析了現今技術中主要的兩種混合形式:循序組合(sequential combination) 和線性組合 (linear combination)

循序組合:這類型的推薦系統主要分成兩步驟

步驟1. 內容式過濾法先找出喜好類似的使用者。

步驟2. 協同式過濾法用來做預測。

線性組合:Claypool[7]便屬於此類的推薦系統,概念很簡單,將協同式和內容式推薦系統所計算出來的數值,分別加權相加。


應用層面

推薦系統目前被廣泛運用在電子商務的領域之中,其可以在三方面增加電子商務商品的銷售量:

(1) 引導瀏覽者購物 (browsers into buyers)

(2) 搭配銷售 (cross-sell)

(3) 客戶忠誠度 (loyalty)

而一般推薦系統在電子商務應用上常見有以下七種呈現方式:

(1) 協助搜尋 (browsing)

(2) 類似商品 (similar item)

(3) 電子郵件 (e-mail)

(4) 文字建議 (text comments)

(5) 平均評價 (average rating)

(6) 排行榜 (top-N)

(7) 排序之搜尋結果 (order search results)

網際網路服務推薦

網際網路服務的推薦在國內外有不少的研究。主要以網際網路服務的效率,如服務質量(Quality of Service, QoS)上的分析作為推薦依據。這一類的研究較少在網際網路服務的內容是否滿足使用者的需求上著墨,對使用者而言,沒有辦法只依賴服務質量的分析,而找到符合使用者需求的網際網路服務。而在這一點,目前也有一些研究關注在找尋使用者和網際網路服務兩者的媒合上。如中國大連理工大學(Dalian University of Technology)的H. Xia與日本北陸先端科學技術大學(Japan Advanced Institute of Science and)的T. Yoshida兩位在中針對使用者意圖與網際

實例

亞馬遜網路書局

博客來網路書局

金石堂網路書局

KKbox

外部連結

英國維基百科

文獻來源

中華管理評論國際學報‧ 第十一卷‧ 第三期

國立台灣大學資訊管理研究所碩士論文 以使用者偏好為基礎之網際支援推薦系統

國立中山大學資訊管理研究所碩士論文 結合內容之合作推薦技術之文獻數位圖書館

國立中央大學資訊工程研究所碩士論文 網際網路服務推薦系統

國立台北科技大學商業自動化與管理研究所 協同過濾於網站推薦之研究

個人工具
名字空間

變換
動作
導覽
工具箱