以下為TGDF官方新聞稿全文
郭羿呈目前任職於獅虎科技，熟悉 Web、App、遊戲、平台及 SDK 開發，專業領域為推薦系統、統計及資料分析等等，而在這次的演講當中，他將以他的專業與技術，以資料探勘的模式，為大家解釋商城推薦系統的應用，讓玩家願意花錢購買道具。
什麼是推薦系統？
郭羿呈表示，推薦系統是根據客戶的興趣與行為，向推薦客戶感興趣的內容或商品，他說道，在遊戲當中，大部分的玩家在看商城時只會瀏覽第一、二頁，或是搜尋已經知道的東西，而不會把商城的所有道具從頭到尾地看一遍，也因此失去了許多好用的道具消息。為了避免客戶花費大量的時間才能找到自己想買的商品，並且提升付費轉化率，這樣的系統應用絕對是遊戲裡商城的一項趨勢。
如何建造一個推薦系統？
推薦系統的實作方法有幾種，郭羿呈這次為我們介紹的是「基於內容法」以及「協同過濾法」。 他表示，基於內容的推薦是一種從玩家過去歷史資料來找出相似商品的方法，很簡單也很有效，透過定義商品的特徵，學習到玩家的興趣以及喜好的種類，並且推薦類似的商品給他。例如： A 玩家喜歡購買犧牲命中率換取攻擊力這類的武器，而系統就可能會推薦這樣效果的其他物品給他。 而協同過濾法的概念則為，利用歷史資料來計算使用者之間的相似度，並且過濾分析玩家對於商品的興趣，找出跟他興趣相似的其他玩家，並且綜合分析他們對於某商品的評價，計算出對於商品的喜好分析，例如說，當系統分析出 A 玩家與 B 玩家有相同興趣時，當 A 玩家購買了某件武器，而這個武器可能也會推薦給 B 玩家來購買。 而協同過濾法的相似度測量又能以不同的方式來計算：
1. Distance-based：在空間座標上，將兩個使用者對於某物的評分當作座標點，並計算兩者之間的距離，如果距離越近，代表喜好越近。
2. Cosine-based：量測兩點之間的角度，這個方法更在乎的是方向上的差異而不是距離。
3. Correlation-based 畫一條盡可能接近這些座標點的直線與計算出它們之間的相關度。
▲郭羿呈介紹推薦系統的應用郭羿呈介紹推薦系統的應用
融入情境感知的機制於演算法中
郭羿呈說道，除了上述的演算法之外，融合情境感知的要素也能增加推薦的效用。情境感知是指系統有能力去發現並反映使用者當下外在情境的改變，可以結合既有的推薦演算法，計算不同情境之間的相關性去加權評分。而這樣的方式，能將玩家當下的情境也當作參數，一併納入了演算法的計算。而何時紀錄下情境，則也是一門學問，郭羿呈表示，在遊戲中，紀錄的時機可以是當下的回合、任務或者是地圖，不同遊戲也會有不同的最好時機點，比如說，在遊戲中，一個對於小型怪物攻擊有加成的武器，就適合推薦給在小型怪物居多的地圖上玩家來使用。
推薦機制仍具有許多發揮空間
雖然推薦系統已經在許多地方展現了它的好處，不過，郭羿呈也表示，這些演算法卻仍然不是十全十美，他舉例，像是協同過濾法仍然存在著三個缺點：
1. Cold start：新上架的、或是從來沒有被購買過的道具，不會有玩家對它的評價，也因此不會被當作推薦的商品。
2. Sparsity：玩家對於道具的評價過少，產生資料不全、稀疏的情形，如此一來相似性的預測也會變得很不準確
3. Scalability：當玩家跟道具的數量越來越多時，記錄的矩陣的大小將成指數性的成長，使得系統的效能受到影響。
不同的評價方法、相似性計算、推薦演算法以及情境感知設計，對於推薦系統的準確性來說，影響都可能會非常的廣大，而郭羿呈也說道，要使用哪一套方法來實作，都是要依據遊戲本身的機制、觀察來做判斷。而在這樣的領域中，也仍然有許多的挑戰是尚待被解決的。
最後，他說道，大部分的遊戲如果只是一樣的商品推薦、一樣的限時搶購，並不會引起較高的購買欲望，除此之外，也不要只是推薦那些像是衛生紙、水等等的必需品，因為這些可能只會佔據寶貴的頁面空間。他也希望，大家能試著摸索出好的推薦系統，因為這樣才會知道，對於每個玩家需要推薦什麼樣的商品，也才會提升他們購買的意願。
