資管系陳建錦老師分享:「推薦系統研究分享」
Published At:2018-06-25 
Views:93
 2018-08-08 updated
資管學系陳建錦老師為管院教師分享「推薦系統研究分享」

  4月19日很榮幸邀請到資管學系陳建錦老師為管院教師分享「推薦系統研究分享」議題,推薦系統分析使用者的行為(如商品瀏覽、購買或評分)來了解使用者喜好,並依照使用者喜好來進行商品推薦。在這場跨領域分享,我們將介紹常見的推薦系統方法(如協同式過濾法與矩陣拆解法),並分享一些我們在這個領域上的研究,包含新進使用者商品推薦、一次性社群活動推薦及具資訊價值朋友推薦。

  首先,陳老師和大家解釋「推薦系統」,它主要目的是希望能夠依照使用者興趣推薦(提供)項目,這些可能包括電影、商品,但為何要進行這樣的分析,可以用很多角度去解釋它,但以資管系的角度來說,這和「資訊超載」的問題有關,許多電商平台上提供大量的資訊服務,往往讓使用者不知如何從海量資訊中選擇自己想要的,像是最受歡迎的線上媒體Netflix,它擁有超過1,455個電視節目和2,769部電影,導致在搜尋想要看的影片就得花上一些時間,那是否有什麼樣的方式,可以依照使用者的興趣提供建議,這時就能運用並建立「推薦系統」,分析使用者的行為,如使用者做的項目評分等蛛絲馬跡,以分析獲取用戶的偏好,一旦了解使用者的興趣(偏好),就有機會將商品推薦給適合的族群。

陳老師和大家解釋「推薦系統」

  而陳老師本身的興趣在資料探勘,在當天介紹一篇94年的研究論文,在文獻中運用最經典的方法「協同式過濾」,簡單來說是利用某興趣相投、或擁有共同經驗之群體的喜好來推薦使用者感興趣的資訊,在電子商務上廣為運用,但「協同式過濾」也有其之問題-行為數據的稀疏性,而導致無法識別具有代表性的參考用戶,而降低「協同式過濾」的性能,為了解決這個問題,就是要從行為數據中導出使用者的潛在偏好,但新的資訊探勘技術更有助於開發有效推薦方法!因此,後來開發許多不同方法來獲得潛在的偏好向量,如矩陣分解方法由於其優越的性能成為主要的推薦方法,一旦擁有每個用戶(P)和項目的潛在主題向量(Q),我們可以推薦主題向量與目標用戶相似的項目,找出一組參考用戶來生成的項目推薦。

  接下來,陳老師運用這些研究他做了「新使用者冷啟動的問題」、「社交活動推薦」,以及「信息好有推薦」等。首先,第一個分享新進使用者的問題,一個使用者剛進系統,因較少數評分及購買紀錄,故推薦系統難以提供適當的建議,但新進使用者推薦是非常重要的事情,這可以創造歸屬和忠誠度,並增加好印象讓新進使用者再次造訪的機會,故推薦系統可用具代表的熱門商品,以用戶間的社會關係做為新進用戶的參考,而近年來社群網絡日漸發達,社群具有不同的評分為,所以社群將代表不同的品味,故可從新進使用者的朋友群建立信任網絡,產生項目推薦,來幫助將適當的推薦新進使用者,但現代人因隱私而不願透露自己的朋友圈,因些為了識別是否為朋友,系統根據友誼對所有用戶進行排名,來選擇頂級用戶作為新進使用者的範例。此外,像facebook等社交(交友)網站,使用者會用來分享或接收信息、照片或影片,但當朋友數量達到相當高的水平時,使用者會被新的社交更新所淹沒,故大部分朋友推薦方法分析社交網絡結構以向朋友推薦朋友,而陳老師嘗試運用用戶的關鍵字找出目標用戶偏好的相關朋友,並由彼此共享或更新的偏好與目標用戶的偏好相似度高,則將更好的建議推薦給目標用戶。最後,陳老師說這些就是推薦系統有趣的地方,在分析出來的的數據中發現很多有趣的規則。

  感謝陳老師今天熱情與老師們分享「推薦系統」的相關研究、透過管院老師們跨領域的相互交流下,必能創造新的研究方向。

撰文者/院行政辦公室