1st groupYing-Ting ChenYu-Kai ChenChen-Yu HeEn-Chi Wu
• Facebook在生活中很普及• 數以千計的動態-- 沒時間也沒興趣把這些動態看完• Facebook推薦系統
• 臉書的推薦系統是如何決定哪些動態要優先呈現,哪些則放在後面一點的順位呢?• 臉書推薦系統的優劣?而在這個推薦系統背後是否會造成哪些問題?
• 針對個人化問題發展出來的網路智慧型系統,它能幫助我們快速找尋到我們有興趣的資料或商品 (LISWiki)協同式過濾 (collaborative filtering, CF)內容式過濾 (content-based filtering, C...
協同式過濾 (collaborative filtering, CF)• 利用廣大網路上前人的經驗所給予的推薦• 根據某顧客以往的購買行為以及從具有相似購買行為的顧客群的購買行為去推薦這個顧客其「可能喜歡的品項」,藉由社群的喜好提供個人化的資訊...
內容式過濾 (content-based filtering, CBF)• 針對個人對某些商品的特徵點計算出這個人對各特徵點的重視程度,進而做出預測• 算出該推薦者對內容的喜愛程度,再將此數值交由預測模組算出該名使用者的「可能會感興趣的特徵」,...
混合式推薦系統 (Hybrid Approach)• 協同式過濾 (collaborative filtering, CF)• 內容式過濾 (content-based filtering, CBF• youtube
*EdgeRank演算法針對Facebook創新的計算方法
親近度(Affinity)• 發動態者和自己的關係密切程度• 一般的情況下:家人或情侶>朋友>點頭之交• 也受到過去互動狀況的影響
權重(Weight)• 動態本身的權重• 不同種類貼文間的優先順序:影片>照片>近況更新>連結• 動態收到的不同回應也有所影響:分享>留言>按讚>點擊
時間差(Time decay)• 動態從貼出到被閱讀之間經過的時間長短• 越新近的動態會越優先出現
這三個因素是交疊在一起計算的,綜合積分最高的會最先被看到。EdgeRank演算法
 創了兩個全新的帳號 (女性) 各加入100個好友,男女各50個 一位只關注男性好友的動態,另一位只關注女性好友的動態 每天做5次分享、留言20則、按50個讚和看留言20則 每日記錄並觀察其動態牆出現的動態。
難慘二人組?
各加入100個好友,男女各50個?快速方法提供?
關注男性好友的動態
關注女性好友的動態
希望透過這次的實驗,可以證實Facebook推薦系統的可信度,並從中發現其所造成的問題,進而思考改進。同時,也可以觀察國中生使用Facebook的情形,並探討其產生的問題與影響。
Thank you for your listening!
Dtz proposal group1
Dtz proposal group1
Upcoming SlideShare
Loading in …5
×

Dtz proposal group1

855 views
774 views

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
855
On SlideShare
0
From Embeds
0
Number of Embeds
212
Actions
Shares
0
Downloads
2
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Dtz proposal group1

  1. 1. 1st groupYing-Ting ChenYu-Kai ChenChen-Yu HeEn-Chi Wu
  2. 2. • Facebook在生活中很普及• 數以千計的動態-- 沒時間也沒興趣把這些動態看完• Facebook推薦系統
  3. 3. • 臉書的推薦系統是如何決定哪些動態要優先呈現,哪些則放在後面一點的順位呢?• 臉書推薦系統的優劣?而在這個推薦系統背後是否會造成哪些問題?
  4. 4. • 針對個人化問題發展出來的網路智慧型系統,它能幫助我們快速找尋到我們有興趣的資料或商品 (LISWiki)協同式過濾 (collaborative filtering, CF)內容式過濾 (content-based filtering, CBF)混合式推薦系統 (Hybrid Approach)
  5. 5. 協同式過濾 (collaborative filtering, CF)• 利用廣大網路上前人的經驗所給予的推薦• 根據某顧客以往的購買行為以及從具有相似購買行為的顧客群的購買行為去推薦這個顧客其「可能喜歡的品項」,藉由社群的喜好提供個人化的資訊、商品等的推薦服務(Tapestry, 1992)• 「Customer Who Bought This Item Also Bought」博客來網路書店
  6. 6. 內容式過濾 (content-based filtering, CBF)• 針對個人對某些商品的特徵點計算出這個人對各特徵點的重視程度,進而做出預測• 算出該推薦者對內容的喜愛程度,再將此數值交由預測模組算出該名使用者的「可能會感興趣的特徵」,進而找出使用者喜歡的物品
  7. 7. 混合式推薦系統 (Hybrid Approach)• 協同式過濾 (collaborative filtering, CF)• 內容式過濾 (content-based filtering, CBF• youtube
  8. 8. *EdgeRank演算法針對Facebook創新的計算方法
  9. 9. 親近度(Affinity)• 發動態者和自己的關係密切程度• 一般的情況下:家人或情侶>朋友>點頭之交• 也受到過去互動狀況的影響
  10. 10. 權重(Weight)• 動態本身的權重• 不同種類貼文間的優先順序:影片>照片>近況更新>連結• 動態收到的不同回應也有所影響:分享>留言>按讚>點擊
  11. 11. 時間差(Time decay)• 動態從貼出到被閱讀之間經過的時間長短• 越新近的動態會越優先出現
  12. 12. 這三個因素是交疊在一起計算的,綜合積分最高的會最先被看到。EdgeRank演算法
  13. 13.  創了兩個全新的帳號 (女性) 各加入100個好友,男女各50個 一位只關注男性好友的動態,另一位只關注女性好友的動態 每天做5次分享、留言20則、按50個讚和看留言20則 每日記錄並觀察其動態牆出現的動態。
  14. 14. 難慘二人組?
  15. 15. 各加入100個好友,男女各50個?快速方法提供?
  16. 16. 關注男性好友的動態
  17. 17. 關注女性好友的動態
  18. 18. 希望透過這次的實驗,可以證實Facebook推薦系統的可信度,並從中發現其所造成的問題,進而思考改進。同時,也可以觀察國中生使用Facebook的情形,並探討其產生的問題與影響。
  19. 19. Thank you for your listening!

×