碩論：應用協同過濾技術於表演藝術售票系統（二）
此系列是寫給藝術行政同行的，所以不會有太理論或太技術的內容。想看程式碼的請直接到我的 GitHub repo，想直接讀論文的，可以從這邊下載。
感謝國家兩廳院支持，提供兩廳院售票系統 2011–2019年間，系統會員購買國家兩廳院演奏廳演出票券的交易紀錄，讓我實作推薦系統。
只要用過網路購物平台的人，應該都看過「買了這項產品的人，也買了以下產品」、「你可能也會喜歡」…… 之類意圖讓人多花錢的「推薦商品」。為什麼平台要推薦這些商品給你呢？這些商品是怎麼挑出來的？
Aggarwal 在 Recommender Systems: The Textbook. (Springer) 中，將推薦系統依照使用的資料不同，分為四類。這邊不深入一一介紹，只會說明我的研究使用的「協同過濾」(Collaborative Filtering) 模型。
協同過濾這一類的推薦系統，只有利用使用者和物品的互動紀錄，例如有沒有購買此物品、有沒有點擊連結、對影片的評分為多少...... 等等，來建立模型、提出推薦。之所以稱為「協同」collaborative，就是利用各個使用者的資料，互相協助，為其他人「過濾」filtering 資訊。
舉個簡單的例子。從上圖一的過去交易紀錄，可以看到小美和小明都買了蘋果和草莓，小花則買了橘子和葡萄。因此，我們可以說，相對於小花，小美和小明喜歡的東西比較類似。接著，小明買了葡萄（圖二）。因此，把葡萄推薦給小美，就是個合理的行為（圖三）。我們提出推薦時，完全沒有考量蘋果和草莓都是紅色的，或是蘋果和橘子都是圓形的這些物品的特徵，完全依照圖一和圖二的交易紀錄來做出推薦。這是典型的「以使用者為基礎的協同過濾模型」(user-based collaborative filtering)。
讓我們換個方向，從「物品」的角度來看。圖四和圖一是一樣的交易紀錄，只是箭頭從水果出發。從圖四我們可以看到，買了蘋果的人，也買了草莓。所以，當小花買了蘋果（圖五），就可以跟小花推薦草莓（圖六）。這就是協同過濾裏頭的「以物品為基礎的協同過濾模型」(item-based collaborative filtering)。
我的實驗中，就是利用資料集建立一個以物品為基礎的協同過濾模型，做為基準 (benchmark)。實驗的最終目的是找出一個深度學習協同過濾模型，這個模型的表現要比做為基準的模型好。
