大家應該都有發現，無論是上購物網站或是YouTube、Netflix等影音網站、甚至是社群軟體，他們總是知道你想看什麼，點進去不過一分鐘的時間，其實網站們早已分析好你的喜好，並且忙著計算有什麼相似的內容可以推薦給你，往後瀏覽其他網頁馬上變成相關影片或廣告，這全都仰賴著「協同過濾」技術。

一、協同過濾兩大核心技術

1. 基於用戶的協同過濾：相似的用戶會有相似的喜好
透過計算用戶之間的相似度來推薦內容，當一個用戶的歷史行為與另一個用戶的行為相似時，系統會推薦另一個用戶喜歡的物品。

• 相似度計算：
Ai 和 Bi 代表用戶 A 和 B 對第 i 個物品的評分。範圍在 [-1, 1] 之間，越接近 1 表示相似度越高。

1. 餘弦相似度（由內積公式而來）：量化用戶之間行為向量的夾角

2. 皮爾森相關係數（即統計學中相關係數的公式）：根據用戶評分之間的線性關係來評估相似度

• 缺點：

1. 如果新用戶沒有歷史行為數據，系統難以推薦合適內容。
2. 隨著用戶數量增加，計算用戶之間的相似度變得非常耗時，尤其是大型數據集上。

2. 基於物品的協同過濾：如果一個用戶對某些物品評分較高，推薦與這些物品相似的物品給該用戶
根據物品之間的相似性來推薦，這種方法適合處理具有大量用戶和少量共同行為的情況。

• 相似度計算：和基於用戶的相似度一樣（餘弦、皮爾森係數），區別在於評分向量來自於用戶對物品的評分

• 優點：

1. 物品的相似性通常比用戶的喜好更穩定，不會隨時間頻繁變動。
2. 物品數量通常比用戶數量少得多，計算成本較低，更適合大型數據集。

• 應用：

1. Netflix：基於用戶過去觀看的影片，推薦相似類型或主題的影片。
2. Amazon：根據用戶已購買的產品推薦相似的其他產品，例如「購買這個商品的顧客還買了…」。

二、隱私保護技術：
既然我們點擊什麼都會被電腦偷看、隨時緊盯，那我們的資料安全該何去何從？

1. 差分隱私 (Differential Privacy)
保護個人數據的隱私，同時仍然允許系統從數據集中學習有用的統計信息，在保留總體的同時不泄露個體信息

•如何運作：
向數據中添加隨機分佈的噪聲來保護隱私，即使攻擊者擁有數據庫的大部分信息，也無法準確推斷出單個用戶的數據。

•應用於推薦系統：
向用戶的評分數據或行為數據中加入噪聲，來避免直接暴露用戶的個人偏好或習慣，這樣即使其他人擁有部分數據，也無法還原單個用戶的完整行為。

•缺點：添加噪聲會降低推薦系統的精確度，尤其在數據量較少的情況下，因此平衡隱私和準確度是一個挑戰。

2.聯邦學習 (Federated Learning)：
允許不同設備（如手機、電腦等）在不共享數據的情況下共同訓練機器學習模型。在保護用戶隱私的同時，依然能讓系統從不同用戶的數據中學習有效的推薦模式。

•如何運作：
將模型訓練過程分佈到各個用戶的設備上，而不是將數據集中到中央伺服器。

1. 初始化模型：中央伺服器發送模型的初始版本到各個用戶的設備。
2. 本地訓練：設備根據自身的數據進行本地模型的訓練，數據始終保留在用戶設備上，而不會發送到伺服器。
3. 模型更新：將訓練後的模型參數回傳到中央伺服器。
4. 模型聚合：中央伺服器將收到的參數聚合，生成更新後的全局模型，並再次發送給各個用戶，進行下一輪訓練。

•應用於推薦系統：
使系統能從各用戶的行為中學習推薦模式，而無需收集用戶的數據。
例如：Google 使用聯邦學習來改進手機的輸入法推薦，而不會將每個人的打字記錄發送到中央伺服器。

•缺點：

1. 需要在每次訓練過程中傳輸模型參數，可能導致高網絡開銷。
2. 不同設備的計算能力和數據量不均衡，可能影響模型的訓練效果。

這些技術讓推薦變得更貼心，隱私也更有保障。所以下次刷到那些完美推薦時，不妨偷偷感謝一下這些默默運作的科技吧。