ยูจีน อ่อนหวาน

1. ช่วยแนะนำสิ่งที่กลุ่มเป้าหมายจะสนใจ

    นั่นเพราะว่าในโลกออนไลน์ตอนนี้มีสิ่งที่น่าสนใจอยู่มากมายมหาศาล จนจะให้มานั่งดูเองทั้งหมดคงยากมาก เปลืองทั้งเวลา เปลืองทรัพยากรด้วย แถมพอจะเข้ามาดูอะไรก็หาไม่เจอเพราะมันเยอะเกินไป แทนที่จะชอบใจกลับกลายเป็นเบื่อหน่ายกับเวปเราพอดี ดังนั้นถ้ามีเจ้าเทคนิคนี้เกิดขึ้น ก็จะทำให้เลือกนำเสนอแต่สิ่งที่กลุ่มเป้าหมายกำลังค้นหา แทนที่จะนำเสนอทุกสิ่งที่มี

2. เปิดโอกาสให้กลุ่มเป้าหมายใหม่ได้รู้จักกับสินค้าอื่น นอกเหนือจากที่สนใจอยู่ได้ด้วยนะ

>> ถ้าเราจะทำระบบนี้ เราต้องคำนึงถึงเรื่องไหนบ้าง

๐ Relevence ก็คือ การพยายามหาของที่คิดว่าผู้ใช้สนใจ ไม่นำเสนอของแบบสะเปะสะปะ เพราะมันจะทำให้กลุ่มเป้าหมายรู้สึกยุ่งยากในการค้นหาสิ่งที่ต้องการ

๐ Diversity ต้องมีความหลายหลายในการนำเสนอ มันคงไม่ดีแน่ ถ้าเราเข้าเวปมาแล้วเจอแค่ Youtube ที่แนะนำคลิปเดิมๆ จาก Channel เดิมๆ หรือใน IG ที่มีโหมดแนะนำอย่าง Reels ถ้าขึ้นแนะนำมาแต่ของเดิมๆ มันก็จะดูไม่น่าสนใจ ทำให้ไม่อยากใช้แอพนั้นอีก

๐ Novelty ต้องมีความใหม่ในการเสนอ ความหมายคืออะไร คือการที่เรานำเสนอในสิ่งที่กลุ่มเป้าหมายไม่รู้จักบ้าง เช่น แนะนำที่เที่ยวใหม่ๆ รีสอร์ตใหม่ๆ ร้านอาหารใหม่ๆ เป็นต้น

๐ Serendipity หาสิ่งที่นอกเหนือความคาดหมาย หรือ เป็นสิ่งไกลตัวของกลุ่มเป้าหมายแต่มีประโยชน์ต่อกลุ่มเป้าหมาย 

>> Model ของ Recommondation System

จริงๆ แล้วโมเดลที่ใช้มีหลายวิธีมาก แต่ส่วนใหญ่ก็ยังคงอยู่ในรูปแบบของ utility function ของกลุ่มเป้าหมาย และสินค้า/บริการ ที่นิยมใช้กันคร่าวๆ ดังนี้

popularity based

classification based

content based

collaborative filtering

Hybrid models

โดยที่ว่า

๐ Popularity Based

เป็นวิธีการที่ง่ายที่สุดในการสร้างระบบแนะนำ คือจะดูความนิยมของสินค้า หรือบริการนั้นๆ จากจำนวนยอดขาย หรือจำนวนยอดการใช้งาน ตัวอย่างเช่น ร้านอาหารในแอพ foodpanda ที่ดูจากยอดการสั่งซื้อ

๐ Classification Based

วิธีการนี้จะนำเอาลักษณะของลูกค้า เช่น เพศ อายุ เป็นต้น กับลักษณะของสินค้า เช่น ราคา คุณภาพ มาใช้ในการทำนายความชอบของสินค้า หรือบริการของลูกค้ารายนั้นๆ โดยคำตอบที่ได้จากระบบแนะนำจะมีแค่ ชอบ หรือไม่ชอบ

๐ Content based Filtering

วิธีการนี้ก็เป็นวิธีการที่ง่ายๆ และตรงกับกลุ่มเป้าหมายมากๆ โดยจะพิจารณาจากข้อมูลย้อนหลังของผู้ใช้แต่ละคนว่าเคยดูหนังแนวไหน ซื้อของแบบไหนบ้าง ฟังเพลงแบบไหนบ้าง ก็จะแนะนำสินค้าหรือบริการแนวนั้นเพิ่มเติมให้

ข้อดีคือ จะได้สิ่งที่กลุ่มเป้าหมายต้องการ

ข้อเสียคือ ไม่มีความหลายหลายให้กลุ่มเป้าหมายได้รู้จักเพิ่ม

๐ Collaborative Filtering

ใช้หลักการง่ายๆ แค่ว่า ถ้ากลุ่มเป้าหมายชอบสินค้าแนวเดียวกัน ก็อาจจะสนใจสินค้าอื่นๆ เหมือนกันก็ได้

Collaborative Filtering สามารถแบ่งออกได้เป็น 2 ประเภท คือ

nearest neighbor

matrix factorization

=> Nearest Neighbor Collaborative Filtering

โดยระบบแนะนำประเภทนี้ จะใช้ความคล้ายคลึงมาเป็นตัวแนะนำ ที่พบเห็นจะมี 2 ลักษณะ คือ 1. ความคล้ายคลึงกันของลูกค้า (user based filtering) 2. ความคล้ายคลึงกันของสินค้า (item based filtering)

>> User-based Collaborative Filtering

เป็นการจัดกลุ่มเป้าหมายตามการซื้อสินค้า/บริการ โดยถ้าลูกค้ามีลักษณะการซื้อสินค้าชนิดที่ใกล้เคียงกัน ระบบก็จะจัดกลุ่มลูกค้าดังกล่าวไว้ในกลุ่มเดียวกัน และในลูกค้ากลุ่มเดียวกันนี้ ถ้าลูกค้าคนหนึ่งมีแนวโน้มที่จะชอบสินค้าและบริการอย่างหนึ่ง (ดูจากประวัติการซื้อย้อนหลัง) ระบบก็จะแนะนำสินค้าหรือบริการนั้นๆ ให้กับลูกค้าคนอื่นๆ ในกลุ่มด้วย

ตัวอย่างเช่น ใน Netflix ระบบพบว่ามีลูกค้า 2 คน ที่มีลักษณะดูหนังที่คล้ายกัน เช่น น้องบูม และน้องครีม มีประวัติการดูหนังต่างๆ ที่เหมือนกัน เช่น อะนิเมะ เรื่อง My Hero Academia , อะนิเมะเรื่อง Jujutsu Kaisen เป็นต้น โดยระบบจะจัดกลุ่มให้น้องบูม และน้องครึมอยู่ cluster เดียวกัน

ต่อมาน้องบูมได้อะนิเมะ โคนัน เพิ่ม ระบบก็จะแนะนำหนังเรื่องเดียวเดียวกันนี้ให้น้องครีมด้วย

>> Item-based Collaborative Filtering

เป็นการจัดกลุ่มสินค้าที่มีคุณลักษณะที่คล้าย หรือเกี่ยวเนื่องกัน เช่น ในเว็บไซด์ช็อปปิ้งออนไลน์แห่งหนึ่ง ดินสอและยางลบมักจะถูกลูกค้าซื้อพร้อมกันๆ เสมอ ดังนั้นดินสอและยางลบจึงถูกจัดให้อยู่ในกลุ่มสินค้าที่ใกล้เคียงกัน

=> Matrix Factorization Collaborative Filtering

เป็นการจัดกลุ่มลูกค้าตามการให้คะแนน (rating) ของสินค้า หรือบริการ โดยระดับคะแนนอาจอยู่ในช่วงตั้งแต่ 1- 10 คะแนน ในกรณีที่ยังไม่มีการให้คะแนนจะเท่ากับ 0

๐ Hybrid ก็คือ การเอาหลายๆ วิธีมาผสมผสานกัน

References:

1. https://madasamy.medium.com/introduction-to-recommendation-systems-and-how-to-design-recommendation-system-that-resembling-the-9ac167e30e95