剛剛才發現我第一天的文還是沒發到...
結果 Day 2 變成第一篇文章，整個亂了套...
另外登入系統好像有點問題，昨天不知為何會看到別人的通知...

今天和明天，我會再詳細一點地介紹 Content-based 和 Collaborative-filtering 這兩大類型的推薦系統，看一看系統的大架構，並帶出一些會使用到的方法和名詞，先有了大概念以後，再來一一地詳細介紹。看完架構以後，也會再深入一點點地講一下各自的優缺點和造成的原因。

Content-based 的推薦系統的概念在上一篇有講過，基本上就是推薦給 User 與他過去喜歡的 Item 相似的東西。也就是，把儲存在 user profile (使用者檔案、資訊) 中的使用者偏好與興趣，與 Item 的特徵對應。以下介紹 Content-based 推薦系統的大架構。

一個 Item 進入推薦系統時，會先被 Content Analyzer 處理，利用一些 資訊檢索 的方法，將 Item 的內容，轉變成 feature ，例如將商品的文字描述切成關鍵字。
這些 feature 會和 User 對 Item 的反應一起被送到 Profile Learner 透過一些 機器學習 的方法做處理，轉變成可以代表 User 偏好的資訊，存到 user profile 中。
Filtering Component 負責比對 Content Analyzer 產生的 Item feature 和 user profile 中的使用者偏好，計算 Item 和 User 的相關程度，由此就可以決定一個 Item 是否要被推薦，或是它在推薦清單中應該排前還是排後。
在推薦 Item 產生後，User 如果跟 Item 有互動，就會產生 feedback。 feedback 有可能是的喜歡/不喜歡、評分、評論...等。剛剛有提到，這些 feedback 會跟 feature 一起被送到 Profile Learner，用來判斷 User 是否喜歡該 Item，並將這個資訊存到 user profile 中。
feedback-learning 的迴圈不斷進行，讓推薦系統能學習到 User 的偏好。

這樣設計的推薦系統，和 collaborative-filtering 的推薦系統相比，會有什麼樣的優點及缺點呢？
首先來講優點：

1. User 獨立性
   只要有 user profile 就可以計算推薦，不像協同過濾需要其他 User 的資訊。
2. 透明、好解釋
   相較於像個黑盒子的協同過濾，user profile 中存的 User 偏好，和 Item 的 feature，可以很容易解釋為什麼系統會推薦某個 Item 給 User。
3. New Item 也適用
   只要 Item 能夠抽出 feature，就可以和 user profile 的 User 偏好比對來做出推薦，不必和協同過濾一樣，要等到有其他 User 對 New Item 評分，系統才能計算推薦。

相對應的，Content-based 推薦系統也有些缺點：

1. Feature 數量的限制
   由於 Content-based 系統中用來學習的 feature 是由 Item 內容中抽取的，有限的內容當然也只能有有限的 feature。像是笑話、詩這種內容少的 Item，而 feature 是 keyword 的頻率的話，就會有這個問題。
2. New User 問題
   當一個新的 User 開始使用系統，它的 user profile 是空的，當然也就沒辦法推薦 Item 囉。
3. Over-Specialization
   由於 Content-based 最初的概念就是用 User 以前喜歡的 Item 來推薦，系統推薦的 Item 就會被侷限，無法做出一些比較有趣的推薦。書中把這件事叫做 缺乏驚喜 (serendipity) 。

明天會介紹 collaborative-filtering 的推薦系統，敬請期待 ~