使用者行為分析與商品推薦應用於集點APP

摘要

近年來，因為電子商務的發展隨之而生的推薦系統蔚為風潮。然而，推薦系統背後仰賴的是大量的數據和有效的分析，對於初創發展不久的企業來說是很大的問題。我們設計了幾種方法來預測，有傳統常見的分類器、HeuristicScoring 方法，也有利用機器學習來建立推薦系統，整合協同式及內容式推薦系統，建立混合模 型 的 CCAM 演 算 法 (Co-clustering withaugmented matrix) [1]。本文使用的資料來自於一款以集點任務為設計導向的 App，這個 App 的任務及消費資訊，是藉由綁定 Facebook 帳戶，取得個人相關資訊及網路萃取產品資訊。不過由於這個 App 使用率低，因此大部份使用者記錄少於十筆，屬於cold-start 使用者分析問題，是我們面臨的最大挑戰。為了獲得較充分的購買紀錄，我們嘗試鎖定使用次數較多的使用者來做分析，另外也利用網路爬蟲來增加商品的特徵資訊，實驗數據顯示 F-measure 由原本的 0.756 提升至 0.802，藉此提升推薦系統的效能並進行較為有效的推薦。