|
由於網際網路的發達，使得資訊的取得越來越容易，然而過多的資訊使得人們無法處理，我們將這種情形稱之為資訊過載。資訊擷取與資訊過濾即是為了因應資訊過載而發展出來的技術。推薦系統即是屬於資訊過濾的技術，推薦系統適用時使用者需求不明確無法以關鍵字代表時。
文獻上，協同過濾是推薦系統中最常用的技術，協同過濾是利用與目標對象興趣相仿的使用者意見來做出推薦。然而協同過濾往往會遭遇到資料過於稀疏的問題。資料稀疏指的是使用者的評比涵蓋率過低。在做出推薦的過程中，若資料過少時，計算使用者相似度時容易產生偏差，使得使用者相似度不夠穩定也不夠可靠。為了因應資料稀疏的問題，協同過濾發展出了幾種變形。其中之一是以物品相似度取代傳統的使用者相似度，由於相似的物品容易被許多使用者所共同評比，因此在資料稀疏的狀態下，物品相似度會比使用者相似度可靠。而另外一種變形，則是以信任為基礎的協同過濾，以信任為基礎的協同過濾是在推薦的過程中，除了使用者相似度之外，加入了第二個觀點，使用者的信任值，來提升推薦的品質。
本研究的目的即是結合兩種協同過濾的變形(以物品為基礎以及以信任為基礎)，提出以物品層級的信任為基礎之協同過濾方法(ITBCF)，期望達到較佳的推薦品質，並且舒緩資料過於稀疏所產生的問題。我們使用了三個實驗，比較原始以信任為基礎之協同過濾方法(TBCF)以及ITBCF的推薦績效，發現在各種情況下ITBCF的有較佳的表現，這證明了我們在計算信任值時，考慮了物品的鄰居，能夠使得信任值更加可靠，並且提升推薦的品質。
|
