談起使用推薦系統的web,全球最大的網路書店 – Amazon.com 為全球典範應該不為過。推薦系統起源於協同過濾 (Collaborative Filtering) 一詞的出現,起初用於被動性的資訊篩選,到最後主動性餵送使用者可能感興趣的資訊,就成了推薦系統。
推薦系統的前身,其實就是排行榜,並沒有參考個人化的資訊。以書籍為例,對懸疑小說有興趣的人,直接參考懸疑小說類排行榜就好啦。對同樣喜愛懸疑小說的張三李四來說,他們的推薦結果是一樣的。
當我們把推薦系統要考慮的因素擴大、動態程度較高,如購買者的性別、年齡等,對於不同年齡層的張三和李四來說,其推薦結果會有所不同。當考慮的因素越來越多、動態程度又高,到人類的大腦無從判斷起時(即統計模型有一定的複雜度),資料探勘(Data mining)技術便在這時候派上用場了。
資料探勘可以讓推薦系統變成黑箱作業,你可以盡情把上百個可能影響推薦結果的因素丟進去,然後如同訓練般的把資料餵給推薦系統,最後這個推薦系統如人工智慧般的具學習能力,在每次推薦結果的修正當中越來越精準。經典案例 – “啤酒與尿布”的故事,便是資料探勘所貢獻的價值。
其實,推薦系統的概念是無所不在的。
高鐵出口的信用卡業務員、棒球場周圍的流動攤販、便利商店門口的報架、大賣場結帳處的口香糖架,無不希望能夠在適時、適地的條件下對適合的人銷售適合的商品。
個人化推薦的目的在於將供給和需求做最佳的媒合
在電子商務中,個人化推薦能有效提昇促購率。在資訊提供型的網站中,個人化推薦可以增加每位使用者的瀏覽數。無論哪一種類型的網站,個人化推薦是有助於網站流量的提昇,想像當網站有如人工智慧般,了解每一位進來網站的人的需求時,回流率肯是提昇的。
個人化推薦對於新使用者或新興網站是困難的
資料量不足的情況下,即便有再精準的推薦技術也可能難以進行推薦。這時也許會選擇回到排行榜推薦的模式,直接拿最夯的來做推薦,但最夯的大家可能也都知道,這時便會陷入難以吸引新使用者的困境。沒有蛋、所以也生不出雞。
Facebook 讓推薦的邏輯可以以社交關係為基礎
這是社群推薦(Social Recommendation)可以輕易落實的關鍵點。基於張三和李四是好朋友的關係下,即是我不了解張三的喜好,也是可以根據李四的喜好做參考。李四喜歡的張三可能會喜歡,即便張三沒那麼喜歡,也可能會因為李四的推薦而願意嘗試。
感謝Open Graph的誕生,我可以直接知道張三和李四的關係(social)而進行推薦(recommendation)。不需要等推薦系統了解張三,以社會關係為基礎的推薦更容易讓使用者產生信賴感。
LBS所能夠掌握的社會關係將會更詳細
透過LBS可以知道某人成天都和哪個好友混在一起,要啟動社群力量就先從他身邊的人下手。同時,LBS也可以知道某人是四處趴趴走的業務還是成天待在辦公室的工程師,對於推薦系統來說,都提供很大的參考價值。因此不難了解為何 Facebook 非得提供 LBS。
開發推薦系統的技術門檻並不高,難在資料的取得如何更為精準。而Social Recommendation 和 Open Graph 的結合,將會造成個人化推薦系統的門檻降低,人人將可透過這些資料掌握市場的一舉一動,媒體市場的餅或許將會大大被手機瓜分,多數網站或許必須以媒體以外的商業模式經營才能生存下來。
小弟曾在“社交 (Social) 或 社群 (Community) 是否為網站的必要元素”一文中提及網站可以在哪些情況下加入social的元素。對於需有”推薦系統”的網站來說,網站不一定要social,但social資料的取得卻是非常必要的。