內容行銷正夯，但如何讓顧客看完不離開你的網站呢？或許可以先了解推薦系統做為開始

不管今天是電商還是影音串流，對內容平台而言，越趨近多樣的內容，儼然成了吸引用戶不可或缺的條件之一，但越是海量的訊息，也越是提醒著我們，目前人類已經從信息匱乏的年代中，邁向了信息過載的時代。

但越多難道不是一件好事嗎？例如今天我只想要找一件工作用的黑色西裝，樣式平凡，剪裁簡單，但把關鍵字輸入電商網站後，跳出的玲琅滿目裡，也提升了讓自己從海量的訊息中，找到合適物品的難度。化解這樣衝突的關鍵，就是本文要介紹的推薦系統。

推薦系統本身的意涵，就是在訊息與用戶之間，做出一道溝通的橋樑，進而對用戶進行淺在的決策支援，來驅使這些被推薦的品項中，可以得到明顯的轉換率提升。

就像Netflix曾經做過調查，有75%的用戶，都會接受他的推薦影片，而像淘寶網，也是透過不斷精修的推薦系統，來讓用戶可以透過推薦，挖掘出更多更適合他們，或是會讓他們感興趣的商品。

如何從海量的內容裡，挑選出「真正」適合「你」的品項，這樣的吸睛關鍵，除了必須具備的海量數據外，如何透過一些程式機制，來了解會感興趣的群眾特徵，這也是所謂的個人化系統中，最常被探討到的相關議題，小編接下來會以影音串流平台Netflix 為例，來為各位介紹推薦系統可以參考的實作方式。

首先要先了解，最常應用在推薦系統中的機制Collaborative Filtering（中文稱為協同過濾法，以下簡稱CF），而這個機制的目的，就是先針對使用者們，去作出所謂「Group」的分群概念，將平台的所有使用者，透過擁有相同興趣，或是共同經驗的方式來分群，進而成為推薦結果產出的依據。

「看了Ａ這個影片的人，是不是也看過了Ｂ影片，而對Ｂ影片感興趣的人，是不是對Ｃ影片毫無感覺」，像這樣的樹狀劃分，就可以把網站的全部使用者，作出了明顯的特徵區隔，透過共用使用者經驗（像播放紀錄、瀏覽紀錄等），避免了單純只依據內容分析上的不完全或不精確。

舉例，我們可以把群眾分成喜歡驚悚片、戰爭片、愛情片的類型，看過Ａ影片的使用者，多半和戰爭片的群眾有重疊，所以你如果正在看Ａ影片，對於喜歡戰爭片的機率，應該會高於喜歡看愛情片的機率。

而這樣的算法也就是所謂的以使用者經驗為基底的協同過濾法（User-Based CF），把content(商品、影片)和全站的使用者族群做出連結，進而做出有效的決策判斷，但如果是一個”新上架“的影片，的確就會有難以分群的問題。

所以商品之間的MetaData(中文可稱後設資料，即「描述資料的資料」)，是否也有共同的特徵，也是輔佐推薦系統計算的一大關鍵，例如影片中的分類、演員，劇情簡介中的描述、甚至是影片背景裡，都是可以列入計算的對象。而這個演算上其實在電商裡也是得到了廣泛的應用，就像你搜索了一雙新上市的Nike球鞋，但品牌Nike與「球鞋」等資訊，就也成了推薦的依據。

但上述方式不管透過使用者經驗或是MetaData，僅針對每一個商品間的相似性來做連結(item-item)，卻沒有辦法針對「你」這個使用者，做出輪廓上的劃分及歸類，而這也是CF中另外一個重要的概念（Item-User），如果把現在行為的使用者，歸類到哪個Group裏，也是推薦準確中重要的一環。

以上個案例為主，如果你今天看了Ａ，但你本身大概是85%的愛情片愛好者，今天只是因為剛好一個你很喜歡的女演員參與了這部戰爭片，那在推薦上，除了剛剛上述本身對“戰爭片”的推薦結果外，也必須根據「你」這個使用者，去調整推薦結果的比重與加權。
 

這樣的應用方式在Netflix上即「影片相似度評比」（Video-Video Similarity）演算，意思是從使用者曾經看過的影片裡，依照每一部影片的內容，挑選出相似的影片來推薦。但在一開始的推薦中，並不會加入「你」的喜好，僅有影片間的關聯來做評分。評分後，再加上「你」的紀錄與實際喜好做推薦。

就像你看過了「星際大戰」和「全面啟動」，這個機制就會去找這兩部影片的相似推薦結果，但你實際上只在Netflix看過所有的星戰系列，跟全面啟動，在最後推薦時，結果上就會更偏向星際大戰的推薦結果一點，但當然這些推薦的結果成效良好與否，仍然需要從點擊率上去做應證。而這些機制的誕生，無謂是避免過去在海量數據中，因為一兩次偶爾的行為造成誤判的可能，也就是假陽性反應（就像你搜索了一次襯衫，最後推薦結果都只有襯衫一樣，但應該是透過全站使用者經驗，來了解找過這個襯衫的使用者還會找什麼，或對什麼感興趣）。

而本文最大的重點，是為了推翻過去我們認為「資料面上數據的完整度」才是推薦精準的基礎，但現實上，永遠沒有最完整的資料。不如換個角度思考，唯有透過了解活躍用戶的經驗，並且建立用戶與商品，以及商品以商品間的連結，才是精確化推薦與了解行銷受眾的不二法門。

最後，如果你喜歡我們的文章，別忘了到我們的FB粉絲團按讚喔!!