隨著網際網路的發展,使得資訊的取得變的相當容易,但是要從眾多的資訊中找出符合使用者需求的內容就相當困難了。目前除了藉由搜尋引擎以關鍵字的方式找出相關資料外,另一個方法則是藉由推薦系統幫助使用者獲得感興趣的資訊。推薦系統分析過去使用者喜好或興趣相近的使用者來篩選大量的資訊,以節省在網路中搜尋的時間。
目前較常被用於推薦的技術有以內容為主過濾和協同過濾,經由文獻和各方面資訊皆顯示協同過濾優於以內容為主過濾,主要原因為協同過濾不受限於內容和過去喜好的限制,但是其本身的主要問題為資料稀疏問題,使得推薦準確率下降。近年來許多學者發展出許\多方法來解決協同過濾之資料稀疏問題,其中包括物品式協同過濾和信任式協同過濾。本研究的目的是希望藉由實驗設計的方式來評估這兩種協同過濾演算法在解決資料稀疏問題上的績效,經由設定不同情況(譬如:資料密集度、資料大小、鄰居數目等)來分析比較何者較佳。
本研究提出兩個實驗來驗證比較。實驗的結果顯示,信任式協同過濾在緩解資料稀疏性上的效果是較佳的,但是其差異會隨稀疏程度減少而愈不明顯;同時,隨著資料量的上升,信任式協同過濾所需花費的時間成長卻會比物品式協同過濾還要多的多。最後,二種方法的最佳鄰居數並不隨資料量的大量成長而成長,反而僅小幅增加,維持一定的穩健度。
|