:::
個人化與客製化（技術方面） - 教育百科
| 個 | |
| 人 | |
| 化 | |
| 與 | |
| 客 | |
| 製 | |
| 化 | |
| （ | |
| 技 | |
| 術 | |
| 方 | |
| 面 | |
| ） |
國家教育研究院辭書
基本資料
| 英文： | personalization and customization |
| 作者： | 葉鎮源 |
| 日期： | 2012年10月 |
| 出處： | 圖書館學與資訊科學大辭典 |
辭書內容
|
名詞解釋： 個人化（personalization）指的是針對使用者的個別需求，資訊系統能夠提供「因人而異」的特定內容、服務或使用環境；而使用者的需求，一般可由使用者明確地告知系統，或是系統經由記錄、分析其使用行為來獲得。舉例來說，亞馬遜網路書店（Amazon.com）會依據某位客戶的購買紀錄，推薦該客戶其他可能感興趣的商品。客製化（customization）則是提供使用者可程式化的資訊環境，使用者能夠自行調整系統的設定，以建立「量身訂做」的使用介面、環境或資料內容及呈現的方式。例如：iGoogle（www.google.com/ig）、My Yahoo!（my.yahoo.com）和My MSN（my.msn.com），這些網站都提供使用者自訂環境的功能，以客製化為主的介面來呈現使用者訂閱的整合資訊內容與服務。然而，在過去的文獻當中，對於個人化與客製化的認知通常代表著相同的涵義，且兩者經常被混用。文獻中雖有諸多客製化相關的名詞出現，但也都泛指個人化而言。因此，本文統稱以「個人化」一詞來做說明。 一般而言，個人化服務包括個人化使用環境、個人化推薦、個人化檢索，以及個人化偏好紀錄（user profile）等面向。個人化使用環境（即，前述的客製化環境），可以讓使用者根據自己的喜好自訂系統使用環境；個人化推薦則追蹤使用者的喜好或興趣，主動推薦符合其興趣的內容或服務；個人化檢索依據使用者的需求，在其檢索的過程中協助尋找與過濾資訊，僅提供滿足其需求且符合其喜好的檢索結果；個人化偏好紀錄的建立，可由使用者明確地表達，例如經由填寫問卷方式收集；或是藉由系統記錄與分析使用者過去的使用行為來推導得到。 個人化在技術實作上有許多不同的分類及作法，其中當屬推薦系統的發展相對成熟；本文接著以介紹個人化推薦技術為主，包括：內容式推薦（content-based recommendations）、協力式推薦（collaborative recommendations），以及混合式推薦（hybrid approaches）。1 內容式推薦： 應用資訊檢索與過濾（information retrieval／filtering）的技術，透過比對使用者的偏好紀錄與欲進行推薦之內容的相似度，以提供使用者可能感興趣的內容。內容式推薦方法的缺點在於以使用者過去的喜好作為參考基準，因此僅能推薦與其過去喜好相似的內容，無法推薦使用者未曾接觸過，但有可能會喜歡之不同類型的內容。另外，新的使用者因其偏好紀錄資料尚未精確建立，通常無法推薦適當的內容給新使用者。2 協力式推薦： 包括以記憶為基礎（memory-based或heuristic-based）與以模型為基礎（model-based）兩類技術。以記憶為基礎的推薦技術又可區分為以使用者為基礎（user-based）和以項目為基礎（item-based）兩種。以使用者為基礎的協力式推薦主要透過使用者偏好紀錄，找出擁有相近興趣或經驗的同好使用者，再藉由群體共同喜好作為內容推薦的依據。而以項目為基礎的協力式則事先計算不同內容間的關聯程度，當使用者對於某內容感興趣時，即可依據內容關聯性直接推薦相關的內容給使用者。 以模型為基礎的推薦技術事先分析系統中的使用者紀錄以建立推薦模型，例如：商品或使用者的分類或分群，之後再利用該模型進行推薦的預測。常見的推薦預測模型建構技術，包括：貝式機率模型（bayesian model）、線性迴歸（linear regression）、機率關聯模型（probabilistic relation model）、關聯法則探勘（association rule mining）等。3 混合式推薦： 結合內容式推薦與協力式推薦兩種方法，以得到更好的推薦準確度及計算效能。主要分為以下幾類：（1）彙整內容式推薦與協力式推薦個別的推薦項目；（2）導入內容式推薦相關技術到協力式推薦方法；（3）導入協力式推薦技術到內容式推薦方法；以及（4）整合內容式推薦與協力式推薦技術，建立統整式的推薦模型（unifying recommendation model）進行推薦預測。Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering, 17(6), 734-749. Bowen, J. P., & Filippini-Fantoni, S. (2004). Personalization and the web from a museum perspective. Proceedings of the eighth Annual Museums and the Web Conference on Arlington, Virginia, USA. 徐嘉僑（2004）。圖書館提供個人化資訊服務之研究。臺灣圖書館管理季刊，1（4）， 84-100。 |
|
|
參考資料： Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering, 17(6), 734-749. Bowen, J. P., & Filippini-Fantoni, S. (2004). Personalization and the web from a museum perspective. Proceedings of the eighth Annual Museums and the Web Conference on Arlington, Virginia, USA. 徐嘉僑（2004）。圖書館提供個人化資訊服務之研究。臺灣圖書館管理季刊，1（4）， 84-100。 |
|
| 資料來源： | 國家教育研究院_個人化與客製化（技術方面） |
| 授權資訊： | 資料採「 創用CC-姓名標示- 禁止改作 臺灣3.0版授權條款」釋出 |
貓頭鷹博士