「推薦系統」能全面了解您的客戶喜好嗎？
1個性化推薦的應用
隨著資訊技術和互聯網的發展，人們逐漸從資訊匱乏的時代走入了資訊過載（information overload）的時代，搜索引擎在早期很好的解決了資訊過載的問題，但是隨著資訊體量的進一步擴大，用戶甚至很難精準地提供搜索引擎需要的物品關鍵詞，為了避免用戶浪費時間篩選過多的垃圾資訊，推薦系統推薦系統
目前，推薦系統已經廣泛應用於生活中，例如：現在的香港01給用戶推薦個性化的新聞就屬於內容推薦範疇（content-based recommender systems）；YouTube、Netflix、Ðisney+ 給用戶推薦影片、劇集和電影,Spotify、Apple Music、Joox、KKBOX、MOOV給用戶推薦喜歡的音樂則屬於協同過濾推薦（collaborative filtering recommender systems）;淘寶、亞馬遜推薦圖書、食品、衣服還有其他各種商品則需要組合使用多種不同類型的推薦算法，這屬於混合推薦系統（hybrid recommender system）。
除此之外在社交網絡中 Twitter、Facebook、新浪微博等，都會應用鏈路預測和社交網絡分析給用戶推薦朋友或者可能認識的人，這些也屬於推薦算法的旁支。可是，在網絡搜索引擎或社交媒體受推薦系統的影響，令搜索到的內容不齊全而且可能偏頗，對於希望透過網絡數據了解目標對象和客戶的喜好、行為、想法、價值觀來說不夠全面。
2主流推薦系統算法介紹
基於內容推薦
基於內容推薦（content-based recommender systems，簡稱CB）是最早也是最主流的推薦方法，到今天為止仍然有大量的工業推薦系統算法中融合了內容推薦算法。Content-based推薦系統根據用戶過去喜歡的物品，為用戶推薦和他過去喜歡的產品相似的產品。協同過濾推薦
由於基於內容推薦費時、費力，後來出現了協同過濾(collaborative filtering recommender systems，簡稱CF)推薦系統，協同過濾推薦系統不需要提取特徵，只需提供各個用戶的購買記錄和評價就能完成推薦。協同過濾推薦又分為基於用戶（user-based CF）和基於物品（item-based CF）兩種，此兩者思路類似。
基於用戶推薦是當我們需要給一位用戶推薦物品時，我們籍由與他最相似的另一個用戶購買過而此用戶未購買過的物品推薦給他即可。也就是透過用戶的行為作推薦。協同過濾推薦的其中兩個領域包括隱因子模型推薦 (又被稱為矩陣分解推薦系統) 和集成學習推薦系統，詳細解釋可參閱: https://mp.weixin.qq.com/s/K0rh6u0flt_gadQj3n4IPw 。
3 結語
對主流推薦系統算法的介紹就到這裡，實際上推薦系統算法只是工業推薦系統中的一個環節而已，還需要大量的常規推薦方法輔助才能發揮作用，例如推薦系統算法都有cold-start的問題，cold-start指的是當一個沒有任何記錄的新用戶或者新物品進入到我們的系統中，那我們如何進行推薦呢？我們應該先試著給他推薦一些大家都喜歡的新作品，等到他的過往記錄足夠表示他的喜好，再使用模型來完成推薦。 不過，如想公正全面地分析在網絡上的聲音，單靠搜索引擎或社交媒體上的結果無法令人全面了解市場，因為推薦系統算法根據本身用戶喜好或習慣調整顯示結果。此前題下，社交數據分析工具就能派上用場。————————————————————–
我們提供精準數據，⼈⼯智能⼯具和創新⽅案
源大數據科技有限公司於2016年在香港創立，是一家以人工智能和數據驅動的創新型科技公司，提供AI SaaS産品及定制化解决方案，社交智能平台 （SIP）、本地部署AI server、社交聆聽及線上預警系統、一站式智能調研及活動管理平台、AI搜索引擎、社交智能客服平台、AI Agents 及 chatbots、品牌輿情洞察、社交媒體風險管理以及多模態數據處理與數字化升級等全面解決方案，這些統稱為「社交智能」（Social Intelligence）。這些產品不僅提高企業的生產力和效率，也幫助企業做出更明智的決策。
想由網絡討論分析顧客心聲？了解網民所思所想？ 立即電郵至info@umaxdata.com ，索取相關個案及洞察報告。