Recommender Systems

推薦系統是一種機器學習應用，根據使用者的行為、偏好或特徵，預測並推薦其可能感興趣的項目（如商品、電影、音樂、文章等）。

---

1. 推薦系統的主要類型

(1) 協同過濾（Collaborative Filtering）

依賴「使用者－物品」互動資料（如評分、點擊、購買紀錄），分為：

• 使用者式協同過濾（User-based CF）：找出與目標使用者行為相似的其他使用者

• 物品式協同過濾（Item-based CF）：推薦與使用者曾喜歡的物品相似的項目

from sklearn.metrics.pairwise import cosine_similarity
from scipy.sparse import csr_matrix

# 假設 ratings 為使用者-物品矩陣
similarity = cosine_similarity(ratings)

(2) 內容式過濾（Content-Based Filtering）

根據物品的特徵（如關鍵字、類別、描述）與使用者偏好進行配對。

• 對每個使用者建立其偏好向量

• 計算每個物品與偏好的相似度

(3) 混合式方法（Hybrid Methods）

結合協同過濾與內容式方法，提升準確度與覆蓋率。

---

2. 評估指標

指標	說明
MAE / RMSE	預測評分誤差
Precision	推薦項目中正確的比例
Recall	所有應該推薦中正確推薦的比例
F1-score	Precision 與 Recall 的加權平均
AUC / MAP	排名品質衡量，適用於排序任務

---

3. Python 套件與工具

• Surprise: 用於協同過濾與模型評估

• LightFM: 支援 hybrid、隱語義模型與冷啟動問題

• implicit: 適用於隱式回饋資料（如點擊）

• TensorFlow Recommenders: 支援深度學習推薦架構

---

4. 實作範例（使用 Surprise）

from surprise import Dataset, SVD, accuracy
from surprise.model_selection import train_test_split

# 載入內建 movielens 資料
data = Dataset.load_builtin('ml-100k')
trainset, testset = train_test_split(data, test_size=0.25)

model = SVD()
model.fit(trainset)
predictions = model.test(testset)

print("RMSE:", accuracy.rmse(predictions))

---

5. 挑戰與議題

• 冷啟動問題（Cold Start）：新使用者或新物品缺乏互動紀錄

• 稀疏性（Sparsity）：使用者－物品矩陣常非常稀疏

• 多樣性與新穎性：避免只推薦熱門內容，提升推薦多樣性

• 過擬合與隱私問題：需平衡推薦準確性與使用者數據保護

---

推薦系統廣泛應用於電商、影音平台、社群網站與數位內容服務，是連結使用者與資訊的關鍵技術之一。