มาทำความรู้จัก ระบบแนะนำ (Recommendation system) ว่าคืออะไรกัน


Share this article

ในปัจจุบัน ชีวิตประจำวันของเรามีการซื้อขายและใช้บริการต่าง ๆ จากเว็บไซต์หรือระบบออนไลน์มากมาย เราจะพบว่า สิ่งที่มาคู่กับขณะเลือกซื้อสินค้าหรือใช้บริการคือการแนะนำสินค้าหรือบริการอื่นที่เกี่ยวข้องโดยระบบแนะนำ อาจจะเป็นการแนะนำให้อ่านหนังสือบางเล่มหรือซื้อของบางอย่าง  รวมถึงแนะนำให้ดูหนังบางเรื่องหรือฟังเพลงบางเพลง  ยกตัวอย่างเช่น ขณะที่เราดูคลิปวิดีโอออนไลน์เกี่ยวกับวิธีทำขนมจบ เราจะเห็นว่าทางเว็บไซต์จะมีการแนะนำวิดีโอคลิปที่เกี่ยวข้องกับการทำขนมชนิดอื่นๆ ที่คล้ายกับสิ่งที่เราดูจบไปหรือคลิปรีวิวร้านขายขนมให้กับเราในทันที

 

 

อีกตัวอย่างหนึ่งนั่นก็คือการซื้อหนังสือผ่านเว็บไซต์ชื่อดังอย่าง Amazon เมื่อผู้ซื้อซื้อหนังสือชื่อ SICP ซึ่งเป็นหนังสือเกี่ยวกับวิทยาการคอมพิวเตอร์ (Computer science) ทางเว็บไซต์จึงมีการแนะนำหนังสือเกี่ยวกับการการเขียนโปรแกรมเชิงฟังก์ชัน (Functional programming) ซึ่งเป็นประเภทของหนังสือที่คนมักจะซื้อด้วยกันให้กับผู้ซื้อนั่นเอง

 

 

ทีนี้เรามาดูกันว่าภายใต้การแนะนำสิ่งของเหล่านี้ให้กับผู้ซื้อจะมีการทำงานในแบบต่างๆ อย่างไรบ้าง ระบบแนะนำสามารถทำงานโดยใช้ 2 วิธีหลักๆ ได้แก่ การวิเคราะห์ข้อมูลของเนื้อหา (Content-based Filtering) และ การวิเคราะห์จากการอ้างอิงถึงพฤติกรรมของผู้ใช้ (Collaborative Filtering)

 

Content-based Filtering

Content-based Filtering จะดูที่ลักษณะของสินค้าที่จะแนะนำ และแนะนำสิ่งที่มีลักษณะหรือมีคำอธิบายคล้ายกับโปรไฟล์ของผู้ใช้ รวมถึงลักษณะของสิ่งที่ผู้ใช้เคยใช้หรือเคยชอบ เช่น ระบบจะแนะนำหนังที่เนื้อหาของหนังมีความคล้ายกับหนังที่ผู้ใช้เคยดูมาก่อนหน้านี้ ดังนั้นการใช้ Content-based Filtering จะต้องมีข้อมูลคุณลักษณะของสินค้า เช่น กลุ่ม/ประเภท ขนาด ราคา สี สไตล์ ฟังก์ชั่น ตำแหน่งแบรนด์ดิ้ง หรือคำอธิบายตัวสินค้าแบบย่อ เป็นต้น

 

ข้อดีของ content-based filtering คือ

  • เนื่องจากระบบแนะนำดูโปรไฟล์ของผู้ใช้แต่ละคนแยกออกจากกัน สินค้าที่แนะนำจะค่อนข้างตรงกับรสนิยมของผู้ใช้ที่มีรสนิยมแตกต่างจากคนส่วนใหญ่
  • การแนะนำสินค้าใหม่ที่ยังไม่ค่อยมีผู้ใช้งานจะทำได้ง่ายเพราะสามารถพิจารณาจากความคล้ายคลึงของคุณลักษณะกับสินค้าเดิม

 

ความยากของการทำระบบแนะนำแบบ Content-based Filtering คือ การเตรียมแคตาล็อคข้อมูลสินค้าซึ่งใช้เวลามาก และการสร้าง feature ที่เหมาะสมเพื่ออธิบายตัวสินค้าและโปรไฟล์ของผู้ใช้ซึ่งขึ้นอยู่กับแนวของสินค้า นอกจากนั้น Content-based  Filtering จะไม่สามารถแนะนำสินค้าที่แตกต่างจากสินค้าที่ผู้ใช้เคยซื้อมากนัก ทำให้ผู้ใช้ได้รับการแนะสินค้าที่มีความหลากหลายค่อนข้างน้อย

 

Collaborative Filtering

Collaborative Filtering (CF) อาศัยหลักการ The Wisdom of the Clouds ซึ่งข้อมูลที่ต้องมีคือ rating ของสินค้าหรือบริการของผู้ใช้แต่ละคนที่ผ่านมา เราจะแบ่งประเภทการ rating เป็นสองแบบนั้นก็คือ การให้คะแนนที่ชัดเจน (Explicit rating) เช่น การกดดาวให้ 5 ดาวสำหรับหนังเรื่องหนึ่ง กับอีกแบบหนึ่งคือ การให้คะแนนโดยนัย (Implicit rating) เช่น การเช็คคะแนนโดยวัดจากจำนวนการซื้อ หรือการกดเพื่อเข้าไปดูวิดีโอนั่นเอง

 

ข้อมูล rating จะถูกนำมาใช้ในการแนะนำสินค้าได้สองแบบ แบบที่หนึ่งคือ ดูจากความชอบของลูกค้าที่คล้ายกับเรา หรือที่เรียกว่า User-based CF  โดยถ้าผู้ใช้ที่ถูกจัดให้อยู่ในกลุ่มเดียวกันมักจะชอบสินค้าที่มีลักษณะคล้ายกัน ตัวอย่างที่ทำให้เข้าใจได้ง่าย เช่น ผู้ชายสองคนที่กินอาหารเหมือนกัน เมื่อนาย B ซื้อน้ำอัดลม ก็จะมีความน่าจะเป็นที่นาย A จะซื้อเช่นกัน ทำให้ในการสั่งอาหารจะมีการแนะนำน้ำอัดลมให้นาย A

 

แบบที่สองคือ ดูจากสินค้าที่คล้ายกับสินค้าที่เราเคยใช้ในแง่ของ rating จากผู้ใช้คนอื่น หรือที่เรียกว่า Item-based CF เช่น ถ้ามีหนังซี่งเราไม่เคยดูในระบบได้รับ Rating จากผู้ใช้คนอื่นๆในรูปแบบที่คล้ายกับหนังที่เราเคยดูและให้ rating สูง ระบบก็จะแนะนำหนังเรื่องนั้นให้กับเรา เป็นต้น

 

ข้อดีของ Collaborative filtering คือสามารถประยุกต์ใช้ได้กับทุกประเภทของสินค้าและไม่ต้องมีการทำแคตาล็อคเพื่ออธิบายสินค้า  แต่จะมีข้อจำกัดเมื่อข้อมูล rating มีน้อยหรือสินค้าใหม่ๆที่ยังไม่ค่อยมีการให้ rating จะแนะนำได้ยาก

 

READ  ลดขนาด Neural Network ด้วยเทคนิค Targeted Dropout

ลงทะเบียนรับข่าวสาร

ไม่พลาดทุกการอัพเดทจาก Big Data Experience Center

Big Data Experience Center (BX)

ชั้น 14 อาคาร Knowledge Exchange Center (KX)
110/1 ถนนกรุงธนบุรี, แขวงบางลำภูล่าง เขตคลองสาน กรุงเทพฯ 10600
อีเมล์: [email protected]

ABOUT

SERVICES