推薦系統，這個在機器學習領域好像一直是熱門議題。當然在電子商務上更是幾乎被視為是標準配備。而在媒體圈，卻因為近來備受爭議的「臉書演算法」，而有點被視為同溫層的始做俑者。可是回頭來研究使用者習慣，準確的推薦系統確實可以助長使用者的停留時間。
我們趕在農曆年前推出了少子化專題，不知道大家看過了嗎？為了趕上線，辛苦同事們的支援，可能有很多忙中有錯的地方，歡迎大家持續報錯、多指教了。
印象中應該是前年紐時的分享，有概略性的討論了專題頁面裡，使用者行為的一些數字觀察。例如大多數的使用者都偏好直接 scroll 勝於 click 之類，而其實這些相關的行為分析，也大致在不少台灣相關進行互動式專題的朋友中獲得了某些程度的「印證」。
首先，感謝團隊花時間把這份政治獻金資料從監察院帶出來，而且還花了不少手工處理成程式可以讀取的格式，以及中研院李宗榮老師對於營利事業捐贈資料處理上的許多建議，在製作查找政商關係工具時能夠有更多的想像。
好啦，終於要來解密我們自己 (？) 了。
g0v 在 2014 年做政治獻金透明化專案時，我旁觀了整個過程。但那距離現在也有好幾年了，為什麼會突然想要做這題？原因其實很簡單，就是突然看到李宗榮老師的研究。
在上一篇提到我們在這個專題做了一個實驗。清理完資料之後，就把資料釋出，並在隨時有進度時同步更新報導內容。同時，讀者也可以透過訂閱電子報來追蹤專題的最新發展。昨天，我們把第一階段的幾篇統計做完之後先暫時告一段落，正好趁這個時候，來聊聊這次實驗的觀察跟心得。
延續上一篇，這篇也是上週六（11/3）在 Hack/Hackers Taipei 的短講中的其中一部分，至於當天最後一段，關於新的新聞實驗應該暫時就先不另文介紹，所以這篇大概也就是最後一篇了。
對，我們正在進行「政治獻金」這個題目。
沒錯，而且我們還正在加緊趕工。
租屋是相當貼近生活的一個題目，但對於一個資料先行的團隊來說，這就是一個難題了。
2015…
