應用RFM 模組與權重漸進探勘使用者最近習慣進行協力式推薦

Abstract

現今網際網路快速的發展，大量的數位音樂， 已經廣泛在網路上傳播。許多電子商務更是發展音 樂推薦系統來提高顧客需求慾望。而一般線上音樂 推薦系統，記錄了使用者所有歷史交易資料，並全 部進行分析。因此，便增加執行時所耗費的成本、 時間及是否符合使用者目前真正喜好的項目。本研 究利用RFM 模組分析顧客價值，並且將相同顧客 價值歸為同一群組，進而達到分群的動作。結合使 用者最近習慣，提出以權重漸進探勘（IMW）的 構想，以漸進增加交易資料量的方式來探勘最近規 則，而不需將全部交易資料都做分析，藉以節省計 算成本、時間，並以Apriori 演算法來探勘關聯式 規則。相似向量矩陣計算使用者們之間的相似度關 係，便利相似聚集。最後利用協力式推薦的概念， 由推薦模組將音樂推薦給使用者，做為個人化推薦 方式。實驗結果顯示，結合RFM 模組及相似聚集 推薦較單純只使用RFM 分群方式為佳。而整體 上，本研究的推薦準確率高達0.77，比其他推薦方 法高出14％～30％，有效的達到個人化推薦的效 果。