撰文者／資訊管理學研究所 郭俐妤

美國亞利桑那州立大學(Arizona State University) Prof. Olivia Liu Sheng於2024年3月22日受台大資訊管理學系魏志平教授邀請蒞校演講。Prof. Sheng為亞利桑那州立大學凱瑞商學院(W.P. Carey School of Business)資訊系統學系講座教授，同時也是該校AI and Data Analytics (AIDA)中心聯合主任，協助發展跨學科合作與多機構合作夥伴關係，致力於AI和數據的明智發展和應用。Prof. Sheng的研究聚焦於預測性與指示性分析的方法及應用，應用領域涵蓋醫療保健、市場行銷、社群媒體、商業關係與績效、人力資源、投資、產品和營運管理等。

Prof. Sheng分享的研究主題為「Diversity Preference-Aware Link Recommendation for Online Social Networks」，其針對社交網絡的鏈結推薦 (Link Recommendation)提出的新方法。根據社交心理學理論，有效的鏈結推薦方法應該要考慮到社交網絡用戶的多樣性偏好(Diversity Preference)。然而，現有大部分的鏈結推薦方法往往會向用戶推薦與他們相似程度高的朋友(i.e., similarity/homophily)，卻忽略了有些用戶可能會因個性不同而偏好與自己不相似的人交朋友(i.e., diversity/heterophily)。此外，同一用戶在不同面向也可能有不同的偏好，例如：某用戶可能偏好與不同學校但同系的人交朋友，所以該用戶在學校以及科系兩個面向就有不同的偏好。

為了補足上述的研究缺口，Prof. Sheng提出了一個新穎的鏈結推薦方法。該方法考慮了用戶的多樣性偏好，採用Dimension Level做為衡量方式，而非多樣性研究中常用的User Level衡量方式，其目的是考慮到用戶在不同面向的偏好因素。其主要概念如下：首先針對一位用戶，將其目前的朋友在某一面向(如：科系)的資訊以二進位表示，從而得出該用戶在該面向目前的偏好分布(如：假設該面向只有醫學系與資管系，且現有朋友中醫學系有0人、資管系有3人，其科系的現有分布即為[0,3])。接著，將較有可能與該用戶交朋友的潛在用戶在同一面向(如：科系)的資訊同樣以二進位表示，用以建立該用戶在該面向的候選矩陣，然後在考慮推薦的情況後，得出該用戶在該面向推薦後的分布。最後，再去計算該用戶目前與推薦後分布的相似程度，並將每個面向的相似程度加總，以解決不同面向具有不同偏好的問題。

在此研究的大型網絡資料集中，所提出的DPA-LR這種新方法相較於其他鏈結推薦方法(如MMR、MSD等)在各個評估指標上都有更優異的表現。不過Prof. Sheng也指出，DPA-LR方法中多樣性偏好的概念同樣可以應用到其他研究中，為相關研究提供新的思路與方法。此外，有鑑於用戶的偏好可能隨時間變化，且不同面向對於各個用戶的重要程度可能不同，未來的研究也可以嘗試提出新的鏈結推薦方法來解決這些問題。

Prof. Sheng的演講主題與日常生活較為相關，更顯得生動有趣、吸引聽眾的注意力，且Prof. Sheng具豐富的教學研究經驗，在演講過程中靈活地運用生活化的例子，幫助與會師生理解較複雜的概念與公式，使大家獲益良多，同時對社交網絡的鏈結推薦有更深入的瞭解。