大家都知道不少網站（Facebook、Netflix、Youtube…）使用推薦系統，透過我們過去留下的「數位足跡」，來預測個人可能會對哪些產品或服務感興趣，並趁機推薦給我們。即使使用者是新用戶，沒有數位足跡，推薦系統也會結合新用戶線上的社交網路，來預測用戶可能會有興趣的資訊。

但用戶的社交網路中仍隱藏許多複雜的線索（朋友興趣差異、友好程度、關係種類…），困擾著不少科學家。為了解決這個問題，臺灣大學資訊工程學系教授林守德針對「社交連結關係的強度」研究，透過建立數學模型篩出重要的線索，來增加推薦系統的精準程度，大大地解決了過去的困擾。

「推薦系統」結合「社交網路」：是線上朋友，喜好（應該）就相同

大部分的人都有使用臉書、推特、Instagram這些社交網路的經驗，這些服務平台累積許多用戶的大量資料。這些資料不只是用戶的基本資料，還包括「A跟B是互為好友關係」、「C單向追蹤D」等等錯綜複雜的社交關係。

 

 

從用戶與用戶之間關係的資料，我們可以窺探許多意想不到的資訊。例如，假設小明與小美在臉書上互為好友關係，而兩個人同時都有對ㄅ、ㄆ、ㄇ這三個粉絲專頁按讚。這時候，可以分析這些專頁的類型，推斷小明和小美都對這類的東西感興趣。

於是，臉書就會認為他們可能喜歡相近的東西，把小明有按讚的ㄈ專頁，推薦給沒有按ㄈ專頁讚的小美。於是「推薦系統」跟「社交網路」就這樣結合在一起成為「社交推薦系統」！

但社交推薦系統仍然不是完美的。「社交推薦系統」利用社交關係結合推薦系統，來推薦不同的物件給用戶。這個系統有個預設：如果某兩人是線上的朋友，那麼，他們兩個可能會有相似的偏好。但是現實生活中，也有可能他們並沒有相似的偏好，仍是線上的朋友（臉書內總是會有幾個只見過幾面的人）。

 

 

社交連結強度越強，喜好越有機會相同

就算結合了社交網路，我們在社交網路所留下的訊息也不一定能夠提高推薦系統的能力值。

有許多學者想利用社交系統中「顯性」、「隱性」的關係來提高推薦系統的能力，「顯性」訊息就是我們從表面可以知道的資訊，例如：用戶與用戶之間的好友關係、對哪個專頁按讚等等；「隱性」訊息就是隱藏在社交或評價活動的訊息。例如：某用戶喜歡這部動作片電影，它所隱含的訊息就是用戶可能愛好動作片類型的電影。

但是，如果他所留下的電影資訊裡面的所有電影，不管動作片或文藝片，都是同一個演員所主演，那麼這當中所隱含的訊息可能是他喜愛這個演員。

 

 

 

面對社交推薦系統不夠精確的問題，「台大機器發明與社群網路探勘實驗室」的林守德教授與他的研究團隊在2018年發表一篇針對「社交推薦系統」的論文，詳細解釋了「社交推薦系統」中所遇到的問題，以及他們所提出的解決辦法。

林守德教授團隊同時結合「隱性關係」與「顯性關係」，並用這些關係來觀察社交連結的強度。也就是透過隱性和顯性的線索來推測線上朋友之間實際互動的關係，了解他們相互影響的程度。

例如，觀察隱性和和顯性關係，我們發現小明和小美是超級好朋友，因為他們在顯性資訊裡很常在同個地方打卡，隱性資訊裡也發現他們喜歡同一種類型的電影、音樂和藝人，因此我們可以推測小明的喜好或意見可能對小美產生一些影響。

 

 

經過大量的資料累積後，再去觀察哪些特定的「隱性關係」與「顯性關係」最能夠捕捉兩個朋友之間相似性。這樣一來，透過參數比重的調整又可以將這些資料反饋回去修正社交推薦系統的判斷，更進一步提高推薦系統的準確率。

經過許多次的努力與修正，研究團隊成功建立模型，比起其他既有的方法，林守德教授團隊的模型更加靈活，推薦的能力比起其他同樣利用顯性、隱性關係的研究也提升更多效能。

未來，林守德教授團隊希望能將更多的訊息合併到所提出的模型當中，用以增強推薦系統的效能，例如：按讚、按噓、輿論風向、意見領袖、突發社會事件、假新聞、網紅等等。甚至，也需要將社交網路中的「時間訊息」納入模型考量，以提升推薦系統的可信度。

 

<推薦系統加上社交網路，升級成為社交推薦系統。林守德教授結合顯、隱性的關係提高推薦系統的準確率，再透過觀察哪些顯、隱性的關係最為重要，反饋修改數學模型。（圖／林冠廷繪製）

 

現在我們理解了社交推薦系統原本有兩大方向的問題：「顯性」、「隱性」，光是針對「顯性」問題解決方式，就已經夠複雜了，就更別說「隱性」問題。在對人工智慧的應用有進一步的了解之後，有沒有激發起讓你想更進一步探索人工智慧的心呢？

參考資料
1. Chin-Chi Hsu, Mi-Yen Yeh, Shou-de Lin, “A General Framework for Implicit and Explicit Social Recommendation,” in IEEE Transactions on Knowledge and Data Engineering (TKDE), vol. 30, no. 12, pp. 2228–2241, 1 Dec. 2018.
2. Cheng-Te Li and Shou-De Lin, “Social Flocks: Simulating Crowds to Discover the Connection Between Spatial-Temporal Movements of People and Social Structure,” in IEEE Transactions on Computational Social Systems (TCSS), vol. 5, no. 1, pp. 33–45, March 2018.
3. Yu-Yang Huang and Shou-De Lin. “Transferring User Interests Across Websites with Unstructured Text for Cold-Start Recommendation,” EMNLP 2016.
4. 馮銘漢（民 106）。考慮鏈接結構和節點屬性的多關係網路表示。國立臺灣大學資訊網路與多媒體研究所，碩士論文。臺北市，中華民國。
5. 王珮恂（民 105）。建立考量時間的個人化排序之序列性商品推薦系統。國立臺灣大學資訊工程學研究所，碩士論文。臺北市，中華民國。
6. A. J. B. Chaney, D. M. Blei, and T. Eliassi-Rad, “A probabilistic model for using social networks in personalized item recommendation,” in Proc. of ACM RecSys, 2015, pp. 43–50. 
7. H. Fang, Y. Bao, and J. Zhang, “Leveraging decomposed trust in probabilistic matrix factorization for effective recommendation,” 2014.
8. G. Guo, J. Zhang, D. Thalmann, A. Basu, and N. Yorke-Smith, “From ratings to trust: An empirical study of implicit trust in recommender systems,” in Proc. ACM SAC, 2014, pp. 248–253.