|
Published At：2018-06-25
Views:172 2018-08-08 updated
 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。  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  |
