Page 95 - My FlipBook
P. 95
Brochure 2020
最後，本計畫目標在於強化推薦模型，使得其能穩定處理有偏差的資料。在現實世界中從
過往購物紀錄及廣告競標紀錄收集而來的相關資料，必然會有雜訊與偏差，過往研究通常
基於資料沒有偏差的假設將推薦模型最佳化，且許多研究使用線下評估結果來表示線上的
結果。然而，收集到的資料可能會偏離特定傾向；基於這類有偏差的資料來訓練延伸實境
推薦系統可能會有兩個主要問題：1) 線下評估結果無法真實反映線上的結果，其會降低消
費者對延伸實境商店的滿意度與體驗品質；2) 分配到的顯示位置可能會偏向現有的廣告或
較普及的商品，其會影響推薦結果的全面性及健全性。因此，平衡訓練資料的偏差對我們
的延伸實境推薦系統是相當重要的。因應上述問題，我們將提出一套方法，以克服資料中
的偏差，並建立一套較為全面的推薦系統。更確切地來說，給定資料的偏差傾向，我們可
設計相對應的權重，以優化模型，進而從有偏差的資料得到更全面性的資訊；再者，我們
將設計一套產生有偏差的資料及完成接續的假設驗證的方法。我們將設計一套實驗環境，
以模擬有偏差的資料及無偏差資料在模型訓練上的效果；本計畫將提出一套負採樣的方法
以模擬由現有模型推薦，但消費者不點閱的內容，藉由上述的負採樣的方法，模型的推薦
效果可進一步提升。
已採用延伸實境的電子商務供應商，如：eBay、Myers、IKEA、Lowe 及 Amazon，將可得益
自本計畫開發的延伸實境推薦系統，以在延伸實境群體購物應用中，促進彈性且平衡的商
品顯示配置，進而經由社群影響力及互動提升銷售額，同時不犧牲消費者個人的喜好。再
者，對於尚未採用延伸實境的本地供應商，如：PChome、MOMO、Buy123 與 Rakuten，
可藉由運用商品的關聯性及了解消費者對商品的動態認知來強化推銷。我們的社群物聯網
部署子系統可為對社群物聯網平台與服務感興趣的公司企業帶來利益，如：Amazon AWS
的物聯網平台與 MinSphere （由 Alibaba 與 Siemens 共同建造），因它們連結到許多個社
群物聯網以提供普及與適地性的服務。最後，我們的無偏差且穩健的學習技術對所有一般
基於學習的預測模型的應用是有價值的，其包含（但不限於）推薦系統（如：Google、
Yahoo、YouTube 以及 Alibaba）。
93
最後，本計畫目標在於強化推薦模型，使得其能穩定處理有偏差的資料。在現實世界中從
過往購物紀錄及廣告競標紀錄收集而來的相關資料，必然會有雜訊與偏差，過往研究通常
基於資料沒有偏差的假設將推薦模型最佳化，且許多研究使用線下評估結果來表示線上的
結果。然而，收集到的資料可能會偏離特定傾向；基於這類有偏差的資料來訓練延伸實境
推薦系統可能會有兩個主要問題：1) 線下評估結果無法真實反映線上的結果，其會降低消
費者對延伸實境商店的滿意度與體驗品質；2) 分配到的顯示位置可能會偏向現有的廣告或
較普及的商品，其會影響推薦結果的全面性及健全性。因此，平衡訓練資料的偏差對我們
的延伸實境推薦系統是相當重要的。因應上述問題，我們將提出一套方法，以克服資料中
的偏差，並建立一套較為全面的推薦系統。更確切地來說，給定資料的偏差傾向，我們可
設計相對應的權重，以優化模型，進而從有偏差的資料得到更全面性的資訊；再者，我們
將設計一套產生有偏差的資料及完成接續的假設驗證的方法。我們將設計一套實驗環境，
以模擬有偏差的資料及無偏差資料在模型訓練上的效果；本計畫將提出一套負採樣的方法
以模擬由現有模型推薦，但消費者不點閱的內容，藉由上述的負採樣的方法，模型的推薦
效果可進一步提升。
已採用延伸實境的電子商務供應商，如：eBay、Myers、IKEA、Lowe 及 Amazon，將可得益
自本計畫開發的延伸實境推薦系統，以在延伸實境群體購物應用中，促進彈性且平衡的商
品顯示配置，進而經由社群影響力及互動提升銷售額，同時不犧牲消費者個人的喜好。再
者，對於尚未採用延伸實境的本地供應商，如：PChome、MOMO、Buy123 與 Rakuten，
可藉由運用商品的關聯性及了解消費者對商品的動態認知來強化推銷。我們的社群物聯網
部署子系統可為對社群物聯網平台與服務感興趣的公司企業帶來利益，如：Amazon AWS
的物聯網平台與 MinSphere （由 Alibaba 與 Siemens 共同建造），因它們連結到許多個社
群物聯網以提供普及與適地性的服務。最後，我們的無偏差且穩健的學習技術對所有一般
基於學習的預測模型的應用是有價值的，其包含（但不限於）推薦系統（如：Google、
Yahoo、YouTube 以及 Alibaba）。
93
