1st group

Ying-Ting ChenYu-Kai ChenChen-Yu He En-Chi Wu

Facebook沒有告訴你的事-- 推薦系統的探討

研究動機

• Facebook 在生活中很普及• 數以千計的動態 -- 沒時間也沒

興趣把這些動態看完• Facebook 推薦系統

研究目的

• 臉書的推薦系統是如何決定哪些動態要優先呈現，哪些則放在後面一點的順位呢？

• 臉書推薦系統的優劣？而在這個推薦系統背後是否會造成哪些問題？

文獻回顧

推薦系統 (recommendation system)

• 針對個人化問題發展出來的網路智慧型系統，它能幫助我們快速找尋到我們有興趣的資料或商品 (LIS Wiki)

協同式過濾 (collaborative filtering, CF)內容式過濾 (content-based filtering, CBF)混合式推薦系統 (Hybrid Approach)

協同式過濾 (collaborative filtering, CF)

• 利用廣大網路上前人的經驗所給予的推薦 • 根據某顧客以往的購買行為以及從具有相似購

買行為的顧客群的購買行為去推薦這個顧客其「可能喜歡的品項」，藉由社群的喜好提供個人化的資訊、商品等的推薦服務 (Tapestry,

1992 ）• 「 Customer Who Bought This Item Also

Bought 」

博客來網路書店

內容式過濾 (content-based filtering, CBF)

• 針對個人對某些商品的特徵點計算出這個人對各特徵點的重視程度，進而做出預測

• 算出該推薦者對內容的喜愛程度，再將此數值交由預測模組算出該名使用者的「可能會感興趣的特徵」，進而找出使用者喜歡的物品

混合式推薦系統 (Hybrid Approach)

• 協同式過濾 (collaborative filtering, CF)

• 內容式過濾 (content-based filtering, CBF

• youtube

人的評價

物品特徵的分析

*EdgeRank 演算法針對 Facebook 創新的計算方法

親近度 (Affinity)• 發動態者和自己的關係密切程度• 一般的情況下 :

家人或情侶＞朋友＞點頭之交• 也受到過去互動狀況的影響

權重 (Weight)• 動態本身的權重• 不同種類貼文間的優先順序 :

影片＞照片＞近況更新＞連結• 動態收到的不同回應也有所影響 :

分享＞留言＞按讚＞點擊

時間差 (Time decay)• 動態從貼出到被閱讀之間經過的時間長短• 越新近的動態會越優先出現

文獻回顧這三個因素是交疊在一起計算的，綜合積分最高的會最先被看到。

EdgeRank 演算法

研究方法① 創了兩個全新的帳號 (女性 )② 各加入 100 個好友，男女各 50 個③ 一位只關注男性好友的動態，另一位只

關注女性好友的動態④ 每天做 5次分享、留言 20 則、按 50 個

讚和看留言 20 則⑤ 每日記錄並觀察其動態牆出現的動態。

難慘二人組 ?

各加入 100 個好友，男女各 50 個 ?快速方法提供 ?

關注男性好友的動態

關注女性好友的動態

預期結果

希望透過這次的實驗，可以證實 Facebook推薦系統的可信度，並從中發現其所造成的問題，進而思考改進。同時，也可以觀察國中生使用 Facebook 的情形，並探討其產生的問題與影響。

Thank you for your listening!