วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2554

ระบบแนะนำ (Recommender Systems) ที่มีในปัจจุบันส่วนใหญ่ ใช้เทคนิคการกรองแบบร่วมมือกัน (Collaborative Filtering) เพื่อทำนายความชอบของผู้ใช้เป้าหมายและให้คำแนะนำสำหรับช่วยเหลือกระบวนการตัดสินใจของผู้ใช้ เทคนิคการกรองแบบร่วมมือกันจะเรียนรู้ลักษณะความชอบของผู้ใช้ ด้วยข้อมูลพฤติกรรมต่อระบบของผู้ใช้ทั้งหมด อย่างไรก็ตาม เทคนิคการกรองแบบร่วมมือกันแบบพื้นฐานไม่สามารถให้คำแนะนำที่ถูกต้องได้เช่นเดิม ในสถานการณ์ของระบบที่ขาดแคลนข้อมูลป้อนกลับที่ชัดแจ้งหรือค่าคะแนนความชอบจากผู้ใช้ ปัญหาดังกล่าวส่งผลให้เกิดความสนใจในเทคนิคที่เรียกว่า การกรองแบบร่วมมือกันสำหรับคลาสเดี่ยว (One-class Collaborative Filtering) ซึ่งการประมวลผลของระบบแนะนำจะใช้การพิจารณาเฉพาะข้อมูลที่เป็นตัวอย่างบวกหรือข้อมูลป้อนกลับโดยปริยายเท่านั้น นอกจากนี้ การปรากฏตัวและเติบโตอย่างรวดเร็วของบริการเครือข่ายสังคมออนไลน์ ซึ่งมุ่งเน้นการสร้างแล้วสะท้อนปฏิสัมพันธ์เชิงสังคมระว่างผู้ใช้ด้วยกัน อีกทั้งยังอุดมไปด้วยข้อมูลบ่งบอกตัวตน ความสนใจ และกิจกรรมของผู้ใช้ทุกคน ทำให้มีโอกาสที่ใช้ในการปรับปรุงคุณภาพของการกรองแบบร่วมมือกันสำหรับคลาสเดี่ยวได้ ดังนั้นการวิจัยนี้ นำเสนอวิธีการใหม่สำหรับการกรองแบบร่วมมือกันสำหรับคลาสเดี่ยวโดยใช้ความสัมพันธ์เชิงสังคมออนไลน์ เพื่อเพิ่มความแม่นในการทำนายของระบบแนะนำ ข้อมูลความสัมพันธ์เชิงสังคมสามารถสะท้อนให้เห็นการจูงใจเชิงสังคม ซึ่งผู้ใช้มีแนวโน้มที่จะมีความเชื่อถือโดยปริยายต่อรสนิยมความชอบของเพื่อนบนเครือข่ายสังคม สิ่งนี้ตรงกับวัตถุประสงค์เทคนิคการกรองแบบร่วมมือกัน ในการวิจัยนี้ประยุกต์ใช้การจูงใจเชิงสังคมกับเทคนิคการแยกตัวประกอบเมทริกซ์แบบไม่เป็นลบที่มีการพิจารณาค่าน้ำหนัก เพื่อแก้ปัญหาการกรองแบบร่วมมือกันสำหรับคลาสเดี่ยว จากการทดลองเพื่อทดสอบประสิทธิผลด้วยตัววัดเชิงสนับสนุนการตัดสินใจ 2 ตัววัด พบว่าวิธีการที่นำเสนอให้ผลลัพธ์ที่พิสูจน์ว่าได้การประมวลผลของระบบแนะนำที่มีคุณภาพสูงกว่าเมื่อเทียบกับวิธีการพื้นฐานแบบอื่น