1. 1st group
Ying-Ting Chen
Yu-Kai Chen
Chen-Yu He
En-Chi Wu

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. • 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？

5. • 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 (LIS
Wiki)
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)

6. 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

7. 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

8. 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

9. *EdgeRank演算法
針對Facebook創新的計算方法

10. 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

11. 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

12. 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

13. 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

14.  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。

15. 難慘二人組?

16. 各加入100個好友，男女各50個?
快速方法提供?

18. 關注男性好友的動態

19. 關注女性好友的動態

20. 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。

21. Thank you for your listening!