【AI60問】Q52什麼是推薦系統?

by 提拔我園丁

我們的生活充滿各種推薦系統的應用,不管是在Youtube看影片、亞馬遜購買書本會看到「Customer Who Bought This Item Also Bought」,到處都是推薦系統的應用。

廣泛應用於各行各業,包含:電影、音樂、新聞、書籍、學術論文、搜索查詢、分眾分類…等。也有一些推薦系統專門為尋找專家、合作者、餐廳美食、金融服務、生命保險、網路交友、頁面設計…。

推薦系統主要是用來預測使用者偏好的系統,預測他們的「評分」或是「偏好」,期望透過推薦系統增加營收或是其他效益。

舉例來說,有一群朋友要去看電影,今天你已經看過預告片、網路評論,也清楚朋友們的喜好,若是你會怎麼推薦他們?是否會考慮朋友的個性、看電影的口味、電影類型是否適合,也可能會因為A朋友跟B朋友性格類似,推測他們有相近的喜好?

而推薦系統主要就是根據:影片內容、使用者的基本資料 (Content))、觀影紀錄、行為(Behavior)來做推薦。

圖52-1 TibaMe平台的推薦系統

推薦系統產生推薦列表的方式通常有兩種:

1、協同過濾(Collaborative Filtering):

從找到與你相似的使用者,幫助你找到你喜歡的內容。
可以根據使用者歷史行為(如:購買過、放入購物車、評價過的物品)結合其他使用者的相似決策建立模型。這種模型可用於預測使用者對哪些物品可能感興趣(或使用者對物品的感興趣程度)。

* 推薦系統可能對於你的音樂品味一無所知,
但如果它知道你和另一個使用者在讀書方面有相似的喜好品味,
那麼推薦系統就有可能會向你推薦一首這位使用者喜歡的歌曲。

2、內容過濾(Content Filtering):

利用物品屬性進行分析推薦,物品屬性可以是:音樂類型、電影風格…等。會根據你過去喜歡的產品,去推薦過去你喜歡的相似產品給你,例如:你在亞馬遜找很多行銷書籍,他就會推薦你此類產品。

內容過濾可分為三個部分:

  1. Item representation:為每個物品(item)選出其特徵來表示此物品
  2. Profile learning:利用使用者過去對一個物品喜好程度的數據來學習該使用者的偏好
  3. Recommendation generation:透過前兩者的比較而得出,並為使用者推薦一組相關性最大的物品

舉例來說:每個人對於不同音樂類型的喜好程度都不同,能以音樂來說,一首歌代表一個物品。

  1. 第一步(item representation):我們必須找出這首音樂的特徵,也就是從音樂內容理解它屬於哪個類別。
  2. 第二步(profile learning):根據使用者過去喜歡什麼音樂來找出該用戶的偏好,比如某位使用者經常關注嘻哈類型的音樂,那系統所找出的用戶偏好中,嘻哈類型就會比其他種類的音樂還要多。
  3. 第三步(Recommendation generation):透過第一步和第二步的數據,系統就可以計算兩者的相關度並對使用者推薦音樂,也就是把所有物品中與使用者相關性最高的推薦給他。如:Spotify的「每週探索」(Discover Weekly)也是使用此方式。
*若推薦系統發現你喜歡看
由克里斯多福·諾蘭導演的《全面啟動》和《敦克爾克大行動》,
那它就可能推薦你另一部諾蘭所導演的電影,如《天能》。

👉 【相關課程】打造智能推薦系統:用AI搞懂客戶精準行銷

圖52-2 推薦系統工作原理示意

推薦引擎的工作原理

如圖52-2,一個完整的推薦系統由4個部分組成:

1、推薦對象(物品訊息)模塊

推薦系統應用於不同的領域,它推薦的對象也各不相同,如何對推薦對象進行描述對推薦系統也有很重要的影響,推薦對象的描述文件與使用者的描述文件密切相關,通常做法是同樣的方法來表達使用者的興趣偏好和推薦對象。

2、收集使用者訊息的行為記錄模塊

負責記錄使用者的喜好行為,如:問答、評分、購買、下載、瀏覽…等。

具體有:

  • 使用者屬性:基本訊息,包括社會屬性和自然屬性,比如:姓名、年齡、職業、收入、學歷,用使用者註冊時的自然屬性和社會屬性進行初始建模。
  • 使用者自己輸入的訊息:使用者主動提供給提供給系統的訊息,包括使用者在搜尋引擎中輸入的關鍵詞,使用者輸入的感興趣的主題、頻道。
  • 使用者的瀏覽行為和瀏覽內容:瀏覽次數、頻率、停留時間,瀏覽頁面時的操作(收藏、保存、複製等)、瀏覽時使用者表情的變化
  • 推薦對象的屬性特徵:不同的推薦對象,使用者建模的輸入數據也不同。網頁等推薦對象通常考慮對象的內容和使用者之間的相似性,而產品等推薦對象通常考慮使用者對產品的評價。

3、分析使用者喜好的模型分析模塊

透過以上「使用者行為」記錄分析用的潛在喜好產品和喜好程度。模型分析模塊的功能能夠對使用者的行為記錄進行分析,建立合適的模型來描述使用者的喜好訊息。

4、推薦算法模塊

利用後台的推薦算法,實時地從產品集合中篩選出使用者感興趣的產品進行推薦,其中,推薦算法模塊是推薦系統中最為核心的部分,有下列3大方式:

  • 協同過濾系統
  • 基於內容的推薦系統
  • 混合推薦算法

👉 【相關課程】打造智能推薦系統:用AI搞懂客戶精準行銷

想成為爬蟲工程師 、資料分析師 、資料工程師 、資料分析領域專家 、人工智慧產品經理嗎?還是你的公司正需要培養此領域人才呢?

點我了解 AI資料科學家-三階段全方位學程班 👉 https://www.tibame.com/eventpage/ai_datascientist 

每日5分鐘, 提拔我園丁陪你快速添補AI/資料科學知識與技能。

若想了解更多AI/資料科學的小知識、及各產業的相關應用,歡迎訂閱TibaMe FB及部落格,或有其他想了解的主題歡迎在下方留言讓我們知道唷!

參考資料

分享這篇文章:
0 comment
2

您也許會喜歡

Leave a Comment

這個網站採用 Akismet 服務減少垃圾留言。進一步瞭解 Akismet 如何處理網站訪客的留言資料