[課程筆記] 什麼是推薦系統？如何應用深度學習 TensorFlow 來提升戰鬥力

你也注意到了嗎？我們無時無刻都在「被推薦」

想聽音樂，Spotify 會幫你整理好專屬的 Daily Mix 音樂合輯；想看影片，Netflix 會幫你篩選適合於你的電影或影集；想玩遊戲，Google Play 商店會根據不同主題推薦你有趣的新遊戲。但你有想過這些優質推薦的背後，都是怎麼做出來的嗎？

這堂 TensorFlow 推薦系統課程，由 Google Cloud 合作夥伴 CloudMile 萬里雲的講師主講，在六個小時的時間裡，從傳統的推薦系統演算法、機器學習的基本概念、講到如何應用深度學習來實作推薦系統

對於稍微有點基礎的同學，我認為是一個非常棒的概念整理，讓你可以在短時間之內，了解整個脈絡，並透過 TensorFlow 的範例程式，學習如何套用到實際問題。至於微積分、線性代數基礎較不好的同學，其實也不用擔心聽不懂，只是針對一些公式推導，就要另外花時間研究囉

以下我會大致介紹一下什麼是推薦系統、為什麼可以透過深度學習強化推薦系統，接著分享一些與深度學習相關的學習資源，讓有興趣的朋友們參考

什麼是推薦系統

推薦，其實就是在預測你可能會喜歡的東西

假如今天有一群朋友要去看電影，而你已經把預告片、網路評論都看完、也知道朋友們的觀影喜好，如果是你，會怎麼推薦他們呢？

是不是會考慮到朋友的個性、他過去的電影口味、電影的類型適不適合、或者可能會因為 A 朋友跟 B 朋友性格類似，而推測他們可能有相似的喜好？

你怎麼想的，推薦系統也大概就是這麼做的，背後的出發點不難，主要是根據影片內容、使用者的基本資料 (Content) 或使用者觀影紀錄、行為 (Behaiver) 來做推薦，也就是以內容為主的內容過濾 (Content Filtering)，以及聽起來很炫的協同過濾 (Collaborative Filtering)

內容過濾很好理解，其實就是根據既有的用戶與影片資訊來做推薦

比如我們已知有一位 16 歲的小男孩，喜歡看動作片，我們就可以基於這項資訊推薦他觀看非限制級的動作電影。雖然這個方法很簡單，但實際上你很難取得用戶的個人檔案，多半需要慢慢的從用戶身上挖掘

所以比較厲害的 Collaborative Filtering 來了！這個方法是基於用戶或電影的關聯性來做推薦，他不需要詳細的用戶個人檔案，只要從一群用戶的觀影紀錄、評價紀錄就能推估出某個用戶的喜好

舉例來說，你朋友常看推理卡通《名偵探柯南》，而你除了看這部片之外，還會看其他推理劇如《偵探伽利略》、《新世紀福爾摩斯》，因此根據你這個案例，你朋友很可能也會喜歡你看的這些推理劇

那實際上要怎麼算出來呢？

Collaborative Filtering 中有一種 Memory-based 的方法，透過相似度來做推薦。我們會把用戶與電影間的關係變成一個矩陣，你可以想像是把這些資料投影到一個平面地圖上，每當你看過某些電影，就像是在地圖上的景點打卡，並隨著你的觀影歷程繪製出移動軌跡。假如，在地圖上發現有其他人也跟你走出相似的路徑，去過相似的景點，那麼你們兩人產生的景點差距肯定相當的小，這也代表著你們兩人很相似。數學上，我們會把用戶的觀影喜好轉為向量，透過諸如 Consine Similarity 的方式，計算出用戶間的向量的相似度

舉個之前參加黑客松比賽的例子，我們做了一個行程推薦系統，其背後的概念是「人格特質與消費習慣相似的人，應該會有相似的旅遊喜好」，所以根據這樣的前提，我們結合了銀行掌握的使用者基本資料、消費紀錄，再加上個人財務狀況與喜好興趣，推薦旅客合適的旅遊行程

概念上聽起來很容易，但實際在計算矩陣的時候，並沒有想像中美好，有些使用者可能沒有對某些影片作出評分、有些旅客可能沒有做過評價，導致我們的矩陣中有缺失的資料

然而 Memory-based 的缺點是容易有資料稀疏的問題，有些使用者可能沒有對某些影片作出評分、有些旅客可能沒有做過評價，導致我們的矩陣中有缺失的資料，所以通常大家會採用 Model-based 的做法，把原本的矩陣拆解成兩個矩陣相乘

用 Latent Factor Model 這種方式，我們可以先忽略那些缺失的數值，只要想辦法找到兩個矩陣，使得他們相乘的結果越接近原本矩陣越好。這麼一來，我們就好像是把矩陣根據某些 Factor 拆開，這些因子可能是電影類別 (喜劇、懸疑、動作…) 或是用戶性格 (活潑、內向、…) 等等。以下是上課的投影片截圖

而這種找到兩個相乘，找出誤差最小的計算過程，剛好就是透過梯度下降 (Gradient Descent) 尋找最小誤差，也是深度學習的基本精神，因此我們可以把推薦系統問題拿到深度學習的領域來解決，好像又是另一個天地了呢 XDD

透過深度學習來製作推薦系統

為了讓大家了解深度學習是如何應用在推薦系統上，不免要從頭複習一下機器學習、深度學習的基本概念、並透過 TensorFlow 實作 DNN (Deep Neural Network)

詳細的內容我就不介紹了，關於機器學習與深度學習的教學資料，網路上有非常的多，想要深入了解的朋友，可以參考以下這些連結：

• 深度學習 Deep Learning：中文學習資源整理
• Deep Learning Courses | Coursera
• Google Machine Learning Crash Course
• Kaggle Deep Learning Tutorial

這邊比較值得提的是該如何運用現有資源來建置應用服務

比如你可以運用 Google 的免費資源，像是使用基於 Jupyter 的協作平台 Google Colab、或是透過 Cloud DataLab 搭建自己的訓練環境。當你練好模型後，可以透過 Cloud ML Engine 代管服務部署至雲端成為後端服務，或是利用最近剛出的 TensorFlow.js 直接跑在瀏覽器上，用戶只要打開瀏覽器就能使用你訓練出來的模型，是不是很潮很酷呢 XDDD

課程上的範例直接跑在 Cloud Datalab，如果你也想跑跑看，可以點這裡進入建置教學頁面，Google 有提供 300 元鎂金的額度讓你玩耍

整堂課聽下來，我是覺得介紹的挺清楚的，但是從其他學員的提問之中，我也可以感受到初學者的一些困惑。比如我是個電商老闆，學會這套理論之後，該如何用，該如何幫我賺到更多錢？又比如我只是想聽聽技術，那麼我學完之後，又該怎麼應用在自家的系統之中？

我想在這個網路爭霸的時代，大家都想成為大平台，都想要用戶、想要流量，也使得資料、平台、用戶三者之間的關係錯綜複雜，許多平台靠資料賺錢，用戶貢獻資料來換取免費的服務，也就變成所謂的：羊毛出在狗身上，豬來買單

人們為什麼願意呢？就人心而言，你總是喜歡看見自己喜歡的東西，喜歡活在同溫的世界中吧？

你該佩服的不是免費服務，而是勾起你黏在平台上的內容、與精準的推薦，所以，別找藉口了，還不趕快來學學怎麼建置推薦系統 (誤XD)