Research and application for collaborative filtering recommendation system using implicit datasets

近年來電子商務蓬勃發展，嚴重侵蝕實體通路業績，因此線下服務提供者更應善用資料科學技術，找出顧客未被滿足之需求，進而提供優質服務，其中脫穎而出的關鍵非推薦系統莫屬。 本研究以運用計算產品相似程度的「項目導向協同過濾」和計算使用者與商品蘊含特徵的「潛在因子」兩大類「協同過濾」推薦方法為核心，藉由實體零售通路累積的顧客消費紀錄，驗證「協同過濾」方法較傳統熱門商品推薦機制更符合消費者偏好，且「協同過濾」方法能達到完全個人化推薦之目標。 本研究使用的實體零售通路消費紀錄源於顧客真實購物行為，收集成本低，且數據量龐大，然而此類資料無法直接傳達顧客對於商品的喜好與滿足程度，因此被稱之為「內隱資料」，針對內隱資料處理上，本研究選擇以消費次數取代金額，提出短期重複行為計算閾值概念，以時間修正權重處理可能的偏好轉變與習慣性消費。 模型評估方面，透過強調推薦順序的「平均排名百分比」作為指標，利用傳統熱門商品推薦為基準，比較「項目導向協同過濾」和「潛在因子」兩大類「協同過濾」方法推薦品質的優劣，本研究顯示兩大類「協同過濾」方法達到的推薦品質皆優於熱門商品推薦，且前者遞交的推薦清單為完全個人化，運用本研究發展的推薦系統，將其導入與應用，讓線下服務提供者在與每位顧客接觸的關鍵時刻，能在洞悉對方需求的利基上，提供令顧客滿意的商品與服務，創造獨特且難以模仿的競爭優勢