什麼是推薦系統？就像 Netflix 或 Spotify 的猜你喜歡，看完這部片、聽完這首歌就要立刻推薦下一個，這樣你才會繼續使用下去，訂閱服務才不會中斷。那為什麼你需要推薦系統？因為資訊實在太多，不止你有選擇障礙，服務商也很難知道到底要給你什麼資訊（廣告）。
在 LINE Developer Day 2019 第一天的上午和下午各有一場官方講座，主題分別是〈 Timeline Post Recommender System 〉（貼文串推薦系統），講者是 Jihong Lee ，以及〈 Building a smart recommender system across LINE services 〉（建置跨 LINE 服務的智慧推薦系統），講者是 Jun Namikawa 。兩位講者都是研究院的學者等級，投影片媲美論文發表，除了有詳細的實驗數據分析和結果之外，還有公式推導。
在 Jihong 主講的〈 Timeline Post Recommender System 〉議程裡，我們知道推薦系統可以分成兩類： Collabrative Filtering 和 Feedback Loop ，前者是用矩陣分數去算出推薦機率（別人喜歡的，你大概也會喜歡），而後者則是用一個模型去算出推薦、再用推薦去訓練新的模型來算出新的推薦。
實務上因為 LINE 系統裡的貼文實在太多，所以矩陣的維度太高，相乘運算顯得不太可行，必須採用 Embedding （嵌入）方式降低維度，而且最好的矩陣運算是參考貼文（ Post-to-Post ，將個別貼文的屬性特色納入考量），而不是參考貼文評分（人家說好的，不見得你就喜歡）。
而在 Jun 主講的〈 Building a smart recommender system across LINE services 〉議程裡，說明了 LINE 智慧頻道（ Smart Channel ）的可能性，在 LINE 聊天分頁裡，會列出所有聊天室的清單，最上方有一塊保留版位，在台灣，有時候會看到廣告，有時候會看到天氣資訊，這塊版位在日本有更多可能性，可以是新聞，也可以是漫畫資訊。
這裡的評分器（ Ranker ）的預測模型使用的是 Baysian Factorization Machine （貝氏 FM ），包含各式各樣的事件（例如點擊）和參數（例如性別、年齡等）。其中時間戳記也很重要，畢竟「 Only New Content Has Value 」（唯有新內容才有價值）。尤其，根據實驗數據，如果智慧頻道版位內嵌圖片的話，互動會好很多，點擊率有顯著的提升。
這兩個場次是 LINE 官方講者，所以有提供簡報，請從這裡和這裡下載。