5. 推薦(Recommendation)

推薦(Recommendation)在網路的興起

隨著網際網路的盛行,越來越多使用者漸漸的習慣使用網際網路的平台,而web2.0的觀念於2004年由O'Reilly Media提出之後,越來越多的訊息分享、知識的貢獻與參與、商業的交易與合作等行為,皆成為目前網路應用上最熱門的話題。為了確保網際網路上傳遞訊息的可信度,辨識網路上人類的行為是否可靠,並降低網路的方便所帶來容易取得錯誤的訊息及非法行為的詐欺等風險,需要有一個機制能夠紀錄網路平台上行為的歷史軌跡,並提供交易行為者之信任程度資訊供他人參考,以便減少網路行為互動的負面影響,信譽評價系統(Reputation System)即是提供此相關訊息供使用者參考,並使降低交易失敗的機率。

推薦機制基本運作

目前評價與推薦機制主要應用在服務資訊與內容評論的品質(如線上拍賣、評論系統、共同合作平台等)或群體及個體貢獻之程度(如P2P系統,分散式網路架構等),記錄了使用者於平台上所有的行為歷史資料,並將正向或負向的行為結果計算為可信任程度讓其他使用者供參考。簡言之,評價與推薦機制提供了幾項功能:

  • 蒐集整理關於使用者之間行為互動的一切歷程回饋。
  • 檢測彼此間的信賴程度,例如信譽評價(Reputation)或推薦(Recommendation)。
  • 避免惡意及自私的行為(如蓄意中傷他人或過度褒揚自己等)。
  • 用以增加該系統(服務)的名聲以及使用保障。

網路常見推薦平價系統

  • yahoo!拍賣(信賴百分比):
    針對拍賣系統的評價制度,以yahoo!拍賣作為說明範例。其評價方式是以使用者的正面評價百分比,來作為一名使用者在此拍賣系統中的評價等級,計算方式如下:
  • (正面評價 - 負面評價) / 評價總數 x 100%。

    其中重複由同一買家(賣家)給予的評價只會顯現在交易記錄中,並不會再次列入此百分比的計算之中。

    評價系統_1
  • YouTube(影片評價與推薦-新):
    YouTube在今年3月更新使用者介面,其中多項改變包含了推薦機制的方式。以往YouTube以使用者給予的1~5星等做平均呈現改影片的評分。由於開發團隊發現在舊有的評分方式中大多的使用者給予1星或5星居多,因此將新版的評分改為喜歡與不喜歡。
    使用者也可透過共用功能輕易的以email、facebook等多種方式分享推薦給其他人。

    YouTube也在這次改版中加入了更多的統計數據。除了舊有的觀看次數外加入了連結、觀眾、熱門指數等資訊讓觀賞者能從多方的數據了解此影片的狀態與主要觀眾地區與年齡層。
      
  • YouTube(影片評價-舊):
    在影音系統的評價方式中,在這裡我們舉YouTube作為評價的說明。在YouTube中,針對各個影片的評價方式為:以登入使用者對該影片所給予的星等(1~5★),將其星等總數作平均的來呈現一部影片的等級。
  • 評價系統_2

  • Amazon(書籍評價):
    針對書籍的評價方式,在此以Amazon(亞馬遜網路書店)作為代表。其計算方式與YouTube的影音評價類似,同樣使用星等作為一本書的評價方式,而將滑鼠指標移至評價區觀看時,系統將會自動呈現各星等的評價人數以供再次參考(YouTube則需使用者自行點及詳細內容才能看見各等級的評分人數)。
  • 評價系統_3

  • YouTube(comment評價):
    在評論的評價計算,取自YouTube的comment區作為說明範例。針對一篇評論的評價給分,其給分方式為利用其他登入使用者的評價作為計算,一名登入使用者只能對一篇評論進行一次評價,只能點選(好or不好)兩種選項,最後系統會將2種分數相減,呈現最後結果為正評或負評以及該評價分數於評論後端。
  • 評價系統_4

  • 巴哈姆特電玩資訊站(會員資料):
    資訊社群網站部分,利用電玩資訊網站 - 巴哈姆特中的會員社群作為範例。該網站中每當會員發布或回應了一篇良好文章或是圖文作品時,其於會員可以根據內容選擇是否給予1GP(Good Point)作為鼓勵,每位會員所累積的GP數將顯示在個人資料欄的下方;而在部分子社群中,若一篇討論串的發起會員認為有惡意會員針對該討論串回應了不當言論 (謾罵、騷擾...等),該討論串發起人可選擇給予該會員BP(Bad Point)以視懲罰,每位會員所累積的BP數同樣將顯示在個人資料欄的下方。
  • 評價系統_5

  • aNobii網路書櫃(相似使用者):
    網路書櫃在此列舉了aNobii為例。此網站可供使用者建立自己在網路上的虛擬書櫃,方便使用者對於已讀過或是本身擁有的書庫做整理,其中特別之處在於,該網站會自動幫使用者列出與自己讀書興趣相似的其他會員,利用將每位會員彼此擁有的書籍,透過運算的方式篩選與自己品味相近的會員,建立讀書者的網路社群關係。(計算方式未明)

 

在推薦系統上除了上述幾類推薦他人或是事物的系統之外,還有一些值得提出作為推薦內容的網路服務,其列出如下:

  • 推薦內容排序選項:
    ニコニコ動画是源自於日本的一個影音網站,類似Youtube,會記錄影片的瀏覽方式,和使用者的Comment次數,還有發表的時間...等等,使用者可依自己喜好選擇排序的方式作為參考。

  • SiteTag

tag

 

  • 標籤雲 Label Clouds
    透過使用者對內容所下的標籤產生的標籤表。其中越熱門的標籤會以越大的文字顯示。
tagc