工業技術研究院

技術簡介

線上影音推薦技術乃基於Content-based Filtering與Model-based協同過濾方法，並持續開發優化之混合式智慧推薦技術。現況除了對應廠商資料與需求調整之系統開發與推薦邏輯優化，目前也引入A/B testing機制，將有利於推薦方法與推薦成果的提升。

Abstract

In our multimedia recommendation technology, various heterogeneous datasets as user profiles, play logs, like/dislike logs, music metadata, and music audio content features are combined to be used in multiple algorithms (e.g., top popular computation, user tagging, model-based and memory-based collaborative filtering, KNN and approximate KNN search, random forest, greedy, and rule-based classification) for building up the genre/mood classifiers and personalized recommendation system. In the recommendation system, we start from the music comfort zones of users and then lead them to explore the interesting but unfamiliar music. The recommendation technology on videos is similar to that on music, yet the most different part in these two technologies is that description of videos is used to compute the similarity among videos. A/B testing for parameter tuning is also supported.

技術規格

影音推薦技術可承載400萬以上影音內容與40萬以上用戶；音樂推薦技術，可支援130種以上音樂曲風分類與20種以上音樂情境分類。

Technical Specification

The techniques can support over 4 million contents and 400 thousands users. The music recommendation technique can also provide the genre classifier and mood classifier, which support over 130 and 20 classes, respectively.

技術特色

在音樂推薦技術中，利用異質性資料如用戶測寫、播放紀錄與喜好回饋、音樂中介資料、音樂內涵式特徵等與多重演算法 (如Top Popular、User Tagging、Model-Based Collaborative Filtering、KNN and Approximate KNN Search、Random Forest、Greedy Algorithm、Rule-based Classification等) 結合計算，建立音樂個人化推薦與音樂曲風/情境分類器。以使用者舒適圈為基底，從個人喜好走向群體熱門，再以音樂內涵本質進一步打開使用者聆聽廣度。影片推薦技術相似於音樂推薦技術，主要差異在於影片推薦利用影片描述進行相似影片計算。除考量巨量資料平台分析技術外，同時兼具即時個人化推薦運算，可達成線上影音串流服務提供個人化推薦的SLA，應用於市場上線上影音串流服務。

應用範圍

線上音樂串流服務供應商、線上影片串流服務供應商。

接受技術者具備基礎建議（設備）

Spark Cluster、impala。

接受技術者具備基礎建議（專業）

spark分析程式以python開發，接受技術者需有spark開發經驗，並熟悉Python與SQL Language。

聯絡資訊