【AI60問】Q52什麼是推薦系統？

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。

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。

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：

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。

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。
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。
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》。

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：

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。

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。

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。

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：

結帳輸入優惠碼「BLOGONLY200」，「打造智能推薦系統：用AI搞懂客戶精準行銷」線上課程現折$200！

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資料科學家全方位學程 👉 https://bit.ly/3o4N39e

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：