移动化之环境感知推荐系统.docx

2006電子商務與數位生活研討會移動化之環境感知推薦系統黃謙順文化大學資訊管理研究所cshwangfaculty.pccu.edu.tw鄧俊偉文化大學資訊管理研究所teng.gary摘要數位資訊時代，現代人所面對的資訊量已過於龐大，由龐大的資訊中快速及準確取得有效的資料就已經是一個研究課題。現今，由於行動通訊的普及與多樣化，能在行動中結合上述課題，並結合生活化及娛樂性的資訊，已是目前社會所追求的最新課題。第三代（3G）行動通訊服務已經開放，伴隨著相關通訊技術的提升，手機已能進行高頻寬的數據傳輸，手機上大量需求頻寬的加值服務（影音傳輸服務、適地性定位服務等）將在度成為話題；在未來行動通訊應用上，這些服務的概念雖未必能發展為殺手級服務（Killer Application），但至少在生活中也將成為必要的服務項目。現今，行動電話用戶已達二千一百萬，與目前人口佔比為95%，過去語音通訊為大宗，3G開放後假以時日數據通訊將成為主流需求，相信未來幾年內數據型加值服務將蓬勃發展。目前手機上的數據類加值服務，多數為單向的資料檢索，互動型態加值服務發展尚在啟蒙階段，且資訊科技結合上的相關研究更為貧脊。也因於此，本研究欲建立於移動式或行動通訊平台上，接合數個資訊科技技術，產生資料互動與回饋型態加值服務。在本研究提出一個行動化自動推薦系統架構，並著手實做並建置出Context-Aware Mobile Recommender System（CAMRS），本研究中將以最生活化的餐飲推薦作為實做範例。此研究架構在行動平台（3G WAP device與PDA）上，運用其定位辨識技術，提出行動中自動回饋架構；使用者操作系統得到推薦資訊後，系統將自動取得使用者未來停留座標，作為自動判斷接受推薦與否的依據，事後並將此數據回饋為下次推薦參考依據。在推薦機制上以協同過濾讓口碑行銷概念自動化，結合運用許多使用者的知識或喜好來預測個人喜好傾向。於此系統上選擇PDA作為系統平台，並使用內建上網模組，相同的也可建置於支援WAP（Wireless Application Protocol）功能手機上；行動平台提供輸入與輸出介面取得，作為溝通代言人，後端透過Internet連上餐飲分類資料庫（Restaurant Directory Service）執行推薦運算，運算中除判斷相關使用者的喜好外，也針對時間與座標等相關因素作推薦型態探討。歸納上述，本研究所提出推薦系統，推薦資訊將由兩個主要判定讓使用者獲得：（1）使用者本身停留座標所產生資料的回饋資料；（2）計算其他使用者喜好相關程度。將以這兩個概念於行動平台上建立餐飲推薦系統，並將此系統架構出符合個人喜好推薦學習機制，藉此拋磚引玉，以期待未來在個人M化服務上能獲得更大迴響。關鍵字：環境感知、推薦系統、協同過濾壹、緒論數位資訊時代，現代人所面對的資訊量已過於龐大，由龐大的資訊中快速及準確取得有效的資料就已經是一個研究課題。現今，由於行動通訊的普及與多樣化，能在行動中結合上述課題，並結合生活化及娛樂性的資訊，已是目前社會所追求的最新課題。第三代（3G）行動通訊服務已經開放，伴隨著相關通訊技術的提升，手機已能進行高頻寬的數據傳輸，手機上大量需求頻寬的加值服務（影音傳輸服務、適地性定位服務等）將在度成為話題；在未來行動通訊應用上，這些服務的概念雖未必能發展為殺手級服務（Killer Application），但至少在生活中也將成為必要的服務項目。現今，台灣行動電話用戶已達二千一百萬，與目前人口佔比為95%，過去語音通訊為大宗，3G開放後假以時日數據通訊將成為主流需求，相信未來幾年內數據型加值服務將蓬勃發展。一、研究動機：目前手機上的數據類加值服務，多數為單向的資料檢索，互動型態加值服務發展尚在啟蒙階段，且與資訊科技結合上的相關研究更為貧脊。也因於此，本研究欲於移動式或行動通訊平台上，接合推薦系統資訊科技技術，產生資料互動與回饋型態加值服務。本研究將研究動機分述如下：(一) 殺手級服務（Killer Application）WAP（Wireless Application Protocol）為過去各電信業者主要推動於手機上的數據類加值服務最為重要的一種，推動的過程與重視性我們可於過去的電視廣告中獲得比較。而由於本NTT DoCoMo的i-mode成功經驗，使的國內於過去幾年手機數據加值服務造成多數人的期待，軟體、硬體相關業者百家爭鳴穿梭於各電信業者。但是結果發現，台灣並不如預期日本NTT DoCoMo的i-mode成功經驗一般，業者有許多理由但多數皆會強調，找不到殺手級服務。(二) Context-Aware的應用移動間的資訊需求前即產生一些資訊，所處位置、現在時間、氣候變化及使用者喜好皆會有相當的差異。如何能有效運用這些特性讓移動間資訊需求的環境（Context）上的差異能充分感知（Aware），並充分利用環境來調整決策的狀態，這需要運用環境感知運算（Context-Aware Computing）的觀念與技術來調整。(三) 行動自動化推薦系統2000年期間，行動數據服務上國內外各業突然有個共同的設計訴求，click-click-click；這告訴各系統商開發出的系統，僅能接受使用者最多三次click就要取得他所要資訊。但是至今天還是有許多行動數據服務，使用者想得到資訊時還需要輸入需多條件始可得到資訊。這行動裝置若是PDA那輸入上或許不甚困難，若在一般的手機就顯得繁瑣。貳、文獻探討一、Context-Aware定義：Context就其字面上的含意為文章的上下脈絡，但在無線通訊領域的應用中則稱之為環境認知(Albrecht Schmidt,1999)，情境感知或環境感知（Context-Aware）的概念最早由Schilit 與Theimer在1994年所提出，主要是將使用者所需的資訊，依不同的地理位置或情境送達到使用者可以利用的地方。回頭繼續探討Context於資訊科學領域中的定義，Schilit 與 Theimer認為地理位置、周圍的人及物件、或他們的改變狀態為context；Brown, P.J.、 Bovey, J.D.與Chen, X（1997）則認為定義為地點、周遭的人及物件、季節、時間、溫度的狀態。在此，夲研究就情境、環境，context一字歸納定義為：可以用於描繪週遭任何一個實體與非實體狀態之資訊。實體可以為一個人，一個座標位置，週遭的物件等，非實體可以為時間，氣候，溫度等。任何可以與使用者或應用之間相關的互動都可列入，使用者本身或應用本身也可列入，互動過程中所產生的資訊皆可列為情境資訊。例如：空間資訊：座標位置、高度、移動速度等時間資訊：日期、季節、早午晚夜等社會資訊：個人身分、週遭人物等環境資訊：溫度、空氣品質、吸煙區、交通狀況等設備資源：無線上網設備提供、停車位、兒童嬉戲區等情境感知或環境感知意指一個人可以使用上述所提及相關情境資訊。一個系統若可以萃取、詮釋並使用有關情境上的資訊來改善系統的功能就可稱之為是具有情境感知的能力（財團法人資訊工業策進會，2004）。如何擷取與處理複雜的情境上資料，就是一個研究課題；擷取資訊通常會用到一些額外的感應機制或程式上的處理，後文會提到本研究的擷取機制，與程式上對於時間的情境資訊處理。另外在本研究於Context-Aware核心概念透過圖一加以呈現：使用者位置行動通訊設備該位置其他使用者的觀點建議Context-Aware圖一 Context-Aware核心概念二、推薦系統人們在一個沒有足夠的經歷情況下，若再此請況下若需要做出決定。這時候人們往往會想到本身或是他人在此情況下會如何決定，然後做出自己的決策，推薦系統（Recommender System）的產生也是由此而來的。另一種情況是，當資料量過於龐大使用者不易於資料中做出決定時，一個協助使用者於龐大資料中挑選出滿足個別決定的系統也顯得很重要。於此可發現資料量少時需要推薦系統，同理資料量多時候也需要推薦系統。一般的資訊過系統(Information Filtering System)也泛稱為推薦系統（Resnick, P. and Varian, H. R.，1997），並強調推薦系統最主要的精神除了過濾多於的資訊以外，更強調的一點是推薦使用者感興趣的項目。可依據使用者的偏好、興趣、行為或需求，推薦出使用者可能有所需求的潛在資訊、服務或產品。發展至今的推薦系統，已漸漸成為一項成熟的技術。David（2003）認為推薦系統所應用的推薦方式，可以區分為內容基礎過（Content-based Filtering）、協同式過（Collaborative Filtering）與結導向（Link-based），分別說明如下：內容為基礎過濾：運用機械式學習（Machine Learning）技術進行自動化分析，主要利用使用者喜好與經驗事先記錄下來，學習及儲存使用者個人描繪（profiles）；接著利用收集來的資訊，分析與建立使用者的個人喜好，進而根據推薦項目的屬性及使用者的喜好相似程度屬性，來做推薦的行為，例如：網頁、新聞、電子郵件與其他電子文件。協同式過濾：協同過濾技術（Balabanovic, Marko and Hoham, Yoak, 1997; Mobasher, Bamshad, Dai, Honghua, Luo, Tao, and Nakagawa, Miki, 2001）是利用多數人的觀點來推薦資訊給使用者，其主要的設想是找出有相同喜好的使用者，將有相同喜好的使用者歸納為同一群組，群組間彼此所選擇的資訊作互相推薦的動作。系統利用收集來的使用者資訊，根據不同的屬性歸納出不同類型的使用者群組，相同群組之間有著較高的相似性，也就是對該屬性有較好的喜好程度，而相同類型群組中的使用者所選擇的檔案也較容易為群組中的其他使用者所喜好，協同合作的推薦系統的構想即是根據這樣的觀念發展而成。這種依協同合作的觀念所建構的推薦系統，其主要的優點即是可以控制所推薦給使用者的資訊品質，因為經過了群組中其它的使用者篩選，所推薦的資訊本身就有一定的品質。然而，其主要的缺點即是不一定可以提供符合使用者需要的資訊（簡士堯，2004）。参、研究方法及步驟一、系統架構本研究之架構圖如圖二所示。本研究以餐飲推薦為例，資訊與使用者主要溝通介面為個人化行動裝置（3G WAP device與PDA）上，運用其內建定位辨識技術及行動上網能力與後端系統溝通，使用者操作系統時，系統將自動取得使用者座標，並依據座標位置將附近最合適的餐飲推薦給使用者。推薦動作會依照使用者座標，並經由推薦系統透過網際網路連結至餐飲分類資料庫（Restaurant Directory Service）取得資料；餐飲分類資料庫會於事前將多數人的觀點來推薦資訊給使用者，其主要的設想是找出有相同喜好的使用者，將有相同喜好的使用者歸納為同一群組，群組間彼此所選擇的資訊作互相推薦的動作。系統利用收集來的使用者資訊，根據不同的屬性歸納出不同類型的使用者群組，最後依照其座標符合的餐廳將資料丟回推薦系統。最後使用者個人化行動裝置上將顯現出推薦結果，至於使用者最後是否接受推薦且至所推薦的餐廳消費，可於使用者未來的一小時內是否於該餐廳停留做為判斷依據。並將此資料回饋至推薦系統內做為下次推薦判斷依據。飢餓使用者基地台推薦系統餐飲分類資料庫Internet圖二 Context-Aware Mobile Recommender System（CAMRS）二、研究方法行動化裝置符合本研究的裝置可為PDA或含有WAP功能的3G手機，本研究將以一款3G的PDA手機做為實驗設備。定位技術：本研究所需要的定位技術必須視所使用的行動化裝置而定，由於不同的系統所提供的定位技術可能會不相同，但只要能提供座標定位即可符合本研究所需條件。餐飲分類資料庫：資料庫中儲存各餐飲店資訊，餐飲分類方式含有開放用餐時間、餐廳座標及菜色分類等資訊。推薦系統：推薦系統內儲存使用者對於餐飲型為傾向，並抓取資料索取當下的時間、座標及餐飲條件，經過協同過濾技術計算出與使用者喜好相同群組的餐飲行為推薦給使用者。並連結至餐飲分類資料庫中索取該餐廳詳細資訊，將結果顯示在行動設備上。資料回饋：使用者接受推薦資訊與否判斷的方式，將以使用者在得到推薦資訊後的一小時內是否於系統所推薦的餐廳的位置停留做為判斷依據。事後並將此數據儲存於推薦系統內做為下次推薦參考的資料。肆、預期貢獻本研究主要貢獻有四：1. 提出行動平台運算能力之不足，藉由後端平台處理運算能力的解決概念。行動裝置通常CPU處理速度不夠快，行動間若要大量的處理運算電池的耗電速度也會非常的快無法長時間使用，因此本研究提出將複雜的運算都藉由後端平台處理。2. 提出以人性化考量之行動中簡化操作mobile device的概念。由於行動間輸入比坐在辦公室內困難，且輸入的裝置與介面較為簡易，因此簡單的輸入就能取得資料對行動間頗為重要。3. 提升行動數據通訊服務開發方向。要嘗試的思考如何結合數個資訊科技可能產生殺手級服務，本研究就以定位系統與推薦系統結合而產生行動化餐飲推薦服務。4. 對於使用者於陌生環境資訊需求的解決方案。人們對於陌生環境資訊的需求非常的迫切，藉由行動化裝置將適當的資訊顯現出來可幫助使用者迅速解決需求上困難。伍、參考文獻Saden, N., M-Commerce : Technologies, Services, and Business Models, Wiley Computer Publishing, John Wiley & Sonss, Inc, 2002.Albrecht Schmidt, Implicit Human Computer Interaction Through Context. University of Karlsruhe , W4: Second Workshop on Human Computer Interaction with Mobile Devices, 31, August 1999.Schilit, Bill and Theimer, Marvin, Disseminating Active Map Information to Mobile Hosts. IEEE Network, 8 (5), 1994, pp. 2232.Brown, P.J., Bovey, J.D., Chen, X., Context-aware Applications: From the Laboratory to the Marketplace. Proceedings of IEEE Personal Communications, 4(5), 1994, pp. 58-64.Resnick, P., and Varian, H. R. (1997). Recommender Systems. Communications of ACM, 40 (3), 56-58.Balabanovic, Marko and Hoham, Yoak, Fab: Content-Based, Collaborative Recommendation. Communications of ACM, 40(3), 1997, pp. 66-72.Mobasher, Bamshad, Dai, Honghua, Luo, Tao, and Nakagawa, Miki., Effective Personalization Based on Association Rule Discovery from Web Usage Data. The 3rd ACM Workshop on Web Information and Data Management, 2001.財團法人資訊工業策進會，國外創新數位學習技術應用趨勢報告，經濟部工業局九十三年度專案計畫，2003年，頁9-10。簡士堯，以內容為基礎之網路學習導覽推薦之研究，銘傳大學碩士論文，2004年7月。- 9 -