您有曾經想過，在使用電商類型或點播影片類型的手機應用程式時，怎麼會越滑越順手，似乎連「應用程式」都比你還要更了解你，連原先沒有想到的影片內容與電商類型通通擺在你眼前。這種技術就是「推薦系統」，現在相當常用在電商平台、內容平台與影片平台等類型，來提升使用者的黏著度，進而轉換成相對應的消費。
但推薦系統該如何用 AWS 雲端進行建置？博弘雲端透過三項服務，以及對推薦系統的基本介紹，帶您了解推薦系統背後的原理！
目錄
目錄
推薦系統是什麼？背後運用哪些原理？
推薦系統是一種用來分析和預測使用者喜好，並根據這些預測提供個性化建議的技術，目的是改善使用者體驗，增加業績和使用者的留存率。像稍早提到的，在電商平台上，推薦系統通常用於推薦更緊貼消費者需求的產品，從而增加銷售機會。這些系統會根據用戶的購買歷史、瀏覽行為和偏好來推薦相關商品。除此之外， Netflix 等影視串流平台的推薦系統中主要會根據使用者的觀影歷史和評分來推薦影片或影集。這些系統使用複雜的演算法，分析你的觀看行為（例如，觀看了哪些影片、給了什麼評分）以及其他相似用戶的行為，來提供個人化的內容建議。
不過推薦系統背後同常運用哪些原理？博弘雲端幫您整理這三種常見的推薦系統運作的技術：
協同過濾（Collaborative Filtering）
利用大數據分析用戶的行為模式，找出相似用戶並推薦他們喜歡的內容。這種方法依賴於用戶之間的相似性，通常分為基於用戶和基於物品的協同過濾。
內容過濾（Content-Based Filtering）
根據用戶過去喜愛的項目屬性來進行推薦。舉例來說，假設您喜歡看「荒唐分局（Brooklyn 99）」的影集，系統可能會推薦「宅男行不行（The Big Bang Theory）」相關類型的劇集。藉由標籤將內容分類的方式，兩者皆可以歸類為「喜劇」，進而推播給使用者增加黏著度。
混合過濾（Hybrid Filtering）
結合協同過濾和內容過濾的優勢，提供更準確的推薦。這種方法能克服單一過濾方法的不足之處。除此之外，混合過濾又可以透過「循序組合」或「線性組合」的方式進行搭配，無論是運用先後順序的方式過濾出推薦系統，抑或是兩者並行，算出最佳推薦數值提供給使用者。
透過這三種的過濾方式，有效打造出基礎的推薦系統，將商品或是影音內容服務以客製化的方式推薦給消費者。不過若想要透過AWS來建置的話，可以運用哪些關鍵服務呢？
使用三項 AWS 關鍵服務 打造貼近顧客之推薦系統！
推薦系統也跟著科技發展隨之進步，剛剛提到的「演算法」，其實背後運用到深度學習和人工智慧技術，來更加精準地分析和預測用戶的行為。從AWS雲端這個「推薦更貼近使用者的電影」的例子來看，它運用 Amazon Neptune 無伺服器受管圖形資料庫的解決方案，構建高效的電影推薦系統。
隨著影片庫的不斷擴大，推薦系統成為幫助觀眾發現感興趣電影的重要工具。 AWS 雲端架構設計上，利用Amazon Neptune的圖形數據庫服務，結合Amazon OpenSearch Service和Neptune Machine Learning，通過詞彙相似性、語義相似性和圖形相似性的方法來篩選出符合用戶搜索標準的相關電影。這些方法不僅考量文本的相似性，還利用句子和圖神經網絡(GNN)模型生成的向量嵌入進行更深層次的分析。
解決方案包含兩個部分：使用者搜索體驗和數據輸入。使用者在OpenSearch Service域中輸入電影名稱的搜索關鍵詞，系統將執行三種不同類型的搜索，來取得最佳的推薦結果。
- 詞彙搜索：尋找文本上最相似的電影標題。例如，搜尋「波賽頓」時，類似「波賽頓印記」的電影可能會出現在搜索排名第一的列表上。
- 語義搜索：尋找即使在文字上不相似但語義相近的電影。例如，「波賽頓 Poseidon」和「宙斯 Zeus」雖然文字不同，但語義上都是神話中的神靈。這一過程依賴於將電影標題轉化為向量嵌入，藉此進行相似度的比較。
- 圖形搜索：藉由電影間的網絡關係，像是相似的類型和演員，來尋找相似的電影。即使標題不同，這些關係使得「波賽頓印記」和「七龍珠：全新進化」這兩部電影在圖形上被視為相似。
在數據輸入方面，系統的主要數據存儲在Neptune中的電影內容圖形資料庫中，資料來源包括知名的電影評論網 IMDB 等網站。OpenSearch Service域中則包含了文本索引和支持最近鄰搜索查詢模式的嵌入向量。
在經過比較後，會回傳出相對應的數值比較，並且同步調整模型的數值，讓整體的推薦系統更加精準，更貼近使用者的需求。
推薦系統不僅能夠用在電商或影音串流的網站，更可以有其他的應用之處。博弘雲端的生成式AI解決方案，能夠替企業規畫最合適的生成式AI應用，讓您在AI技術興起的時代，湧入源源不絕的商機，透過自動化開拓商務新價值！
