จากการเข้าร่วมประชุมวิชาการนอกจากจะเป็นผู้ร่วมจัดทำผลงานวิชาการร่วมกับ อ.ดร.สายัณห์ อุ่นนันกาศ ในหัวข้อเรื่อง Sub-Events Tracking from Social Network based on the Relationships between Topics นอกจากนี้ยังได้รับฟังผลงานวิชาการที่น่าสนใจด้านการนำระบบการให้คำแนะนำ (Recommender System) มาประยุกต์ใช้ในระบบต่างๆ เช่น งานห้องสมุด งานแนะนำแผนการท่องเที่ยว ตัวอย่างเช่นในงานตีพิมพ์หัวข้อเรื่อง Schedule travel planning system for Phayao information recommendation และ หัวข้อเรื่อง Development of open-source automated library system with book recommendation system for small library โดยนำข้อมูลของผู้ใช้ ( User Profile) และ ข้อมูลการท่องเที่ยวของจังหวัดพะเยา ข้อมูลการใช้ห้องสมุดของนักศึกษา ข้อมูลประเภทหนังสือที่นักศึกษานิยมยืมหรือค้นหา มาวิเคราะห์เปรียบเทียบความเหมือน (Similarity) ร่วมกับการใช้หลักการ Data Mining พัฒนาระบบการให้คำแนะนำด้านการวางแผนการท่องเที่ยว และแนะนำหนังสือที่ผู้ใช้สนใจอัตโนมัติ ซึ่งในปัจจุบันร้านเว็บไซต์หรือระบบออนไลน์ รวมถึงระบบโซเชียลเน็ตเวิรค์ที่เป็นที่รู้จักอย่าง Facebook ได้มีการใช้ระบบแนะนำมาใช้ในการแนะนำสินค้าหรือบริการต่างๆ ที่สัมพันธ์เกี่ยวข้องกับความสนใจของผู้ใช้ (User’s interest) ยกตัวอย่างเช่น ขณะที่เราดูคลิปวิดีโอออนไลน์เกี่ยวกับวิธีทำขนมจบ เราจะเห็นว่าทางเว็บไซต์จะมีการแนะนำวิดีโอคลิปที่เกี่ยวข้องกับการทำขนมชนิดอื่นๆ ที่คล้ายกับสิ่งที่เราดูจบไปหรือคลิปรีวิวร้านขายขนมให้กับเราในทันทีอีกตัวอย่างหนึ่งนั่นก็คือการซื้อหนังสือผ่านเว็บไซต์ชื่อดังอย่าง Amazon เมื่อผู้ซื้อซื้อหนังสือชื่อ SICP ซึ่งเป็นหนังสือเกี่ยวกับวิทยาการคอมพิวเตอร์ (Computer science) ทางเว็บไซต์จึงมีการแนะนำหนังสือเกี่ยวกับการการเขียนโปรแกรมเชิงฟังก์ชัน (Functional programming) ซึ่งเป็นประเภทของหนังสือที่คนมักจะซื้อด้วยกันให้กับผู้ซื้อนั่นเอง
ระบบแนะนำสามารถทำงานโดยใช้ 2 วิธีหลักๆ ได้แก่ การวิเคราะห์ข้อมูลของเนื้อหา (Content-based Filtering) และ การวิเคราะห์จากการอ้างอิงถึงพฤติกรรมของผู้ใช้ (Collaborative Filtering)
- Content-based Filtering (CB) จะดูที่ลักษณะของสินค้าที่จะแนะนำ และแนะนำสิ่งที่มีลักษณะหรือมีคำอธิบายคล้ายกับโปรไฟล์ของผู้ใช้ รวมถึงลักษณะของสิ่งที่ผู้ใช้เคยใช้หรือเคยชอบ เช่น ระบบจะแนะนำหนังที่เนื้อหาของหนังมีความคล้ายกับหนังที่ผู้ใช้เคยดูมาก่อนหน้านี้ ดังนั้นการใช้ Content-based Filtering จะต้องมีข้อมูลคุณลักษณะของสินค้า เช่น กลุ่ม/ประเภท ขนาด ราคา สี สไตล์ ฟังก์ชั่น ตำแหน่งแบรนด์ดิ้ง หรือคำอธิบายตัวสินค้าแบบย่อ เป็นต้น
- ข้อดีของ content-based filtering คือเนื่องจากระบบแนะนำดูโปรไฟล์ของผู้ใช้แต่ละคนแยกออกจากกัน สินค้าที่แนะนำจะค่อนข้างตรงกับรสนิยมของผู้ใช้ที่มีรสนิยมแตกต่างจากคนส่วนใหญ่การแนะนำสินค้าใหม่ที่ยังไม่ค่อยมีผู้ใช้งานจะทำได้ง่ายเพราะสามารถพิจารณาจากความคล้ายคลึงของคุณลักษณะกับสินค้าเดิม แต่ความยากของการทำระบบแนะนำแบบ Content-based Filtering คือ การเตรียมแคตาล็อคข้อมูลสินค้าซึ่งใช้เวลามาก และการสร้าง feature ที่เหมาะสมเพื่ออธิบายตัวสินค้าและโปรไฟล์ของผู้ใช้ซึ่งขึ้นอยู่กับแนวของสินค้า นอกจากนั้น Content-based Filtering จะไม่สามารถแนะนำสินค้าที่แตกต่างจากสินค้าที่ผู้ใช้เคยซื้อมากนัก ทำให้ผู้ใช้ได้รับการแนะสินค้าที่มีความหลากหลายค่อนข้างน้อย
- Collaborative Filtering (CF) อาศัยข้อมูลที่มีการให้คะแนนชื่นชอบ (rating) ของสินค้าหรือบริการของผู้ใช้แต่ละคนที่ผ่านมาเป็นหลัก เราจะแบ่งประเภทการ rating เป็นสองแบบนั้นก็คือ การให้คะแนนที่ชัดเจน (Explicit rating) เช่น การกดดาวให้ 5 ดาวสำหรับหนังเรื่องหนึ่ง กับอีกแบบหนึ่งคือ การให้คะแนนโดยนัย (Implicit rating) เช่น การเช็คคะแนนโดยวัดจากจำนวนการซื้อ หรือการกดเพื่อเข้าไปดูวิดีโอนั่นเองข้อมูล rating จะถูกนำมาใช้ในการแนะนำสินค้าได้ 2 แบบ
แบบที่1. ดูจากความชอบของลูกค้าที่คล้ายกับเรา หรือที่เรียกว่า User-based CF โดยถ้าผู้ใช้ที่ถูกจัดให้อยู่ในกลุ่มเดียวกันมักจะชอบสินค้าที่มีลักษณะคล้ายกัน ตัวอย่างที่ทำให้ เข้าใจได้ง่าย เช่น ผู้ชายสองคนที่กินอาหารเหมือนกัน เมื่อนาย B ซื้อน้ำอัดลม ก็จะมีความน่าจะเป็นที่นาย A จะซื้อเช่นกัน ทำให้ในการสั่งอาหารจะมีการแนะนำน้ำอัดลมให้นาย A
แบบที่ 2. คือ ดูจากสินค้าที่คล้ายกับสินค้าที่เราเคยใช้ในแง่ของ rating จากผู้ใช้คนอื่น หรือที่เรียกว่าItem-based CF เช่น ถ้ามีหนังซี่งเราไม่เคยดูในระบบได้รับ Rating จากผู้ใช้คนอื่นๆในรูปแบบที่คล้ายกับหนังที่เราเคยดูและให้ rating สูง ระบบก็จะแนะนำหนังเรื่องนั้นให้กับเรา เป็นต้น
- ข้อดีของ Collaborative filtering คือสามารถประยุกต์ใช้ได้กับทุกประเภทของสินค้าและไม่ต้องมีการทำแคตาล็อคเพื่ออธิบายสินค้า แต่จะมีข้อจำกัดเมื่อข้อมูล rating มีน้อยหรือสินค้าใหม่ๆที่ยังไม่ค่อยมีการให้ rating จะแนะนำได้ยาก หรือเรียกปัญหานี้ว่า Data sparse ซึ่งเป็นปัญหาหนึ่งของการพัฒนาระบบการให้คำแนะนำ
เรียบเรียงโดย
อ.ดร.วรรณวิมล นาดี
สาขาวิชาเทคโนโลยีสารสนเทศ
คณะวิทยาศาสตร์