臺灣博碩士論文加值系統

當今網際網路發展蓬勃，就算人們足不出戶，也能夠從網路上搜尋、購買所需要之生活用品。但是，在這資訊爆炸的年代，使用者要如何在眾多產品中，找尋自己有興趣的產品，這是目前待解決的一大問題。雖然目前各大拍賣網站廣泛來應用來解決問題，但效能仍然有限；加上不是所有使用者能夠一天二十四小時都能夠待在電腦前面瀏覽拍賣網頁，因此要同時解決資訊爆炸以及使用者能夠隨時查詢之便利性，將會是我們面臨的一大問題。
推薦系統（Recommendation System，RS）是目前被廣泛利用的方法，不但能降低使用者搜尋成本、並且增加網路購物商家之銷售商機，還能提升顧客對商家之忠誠度的一種系統。藉由使用者過去喜好相似的產品、需求及偏好，來對使用者未曾使用、購買之產品，進行評分及推薦預測，以達到最佳推薦效果。推薦系統具有分析及預測的功能，能夠預測使用者喜好之產品。推薦系統主要分為內容式過濾（Content-based filtering，CBF）、協同式過濾（collaborative filtering，CF）以及混合式推薦系統（Hybrid Approach，HA）三種。
推薦系統能夠有效分析使用者的特性及習性，故本研究，為了方便使用者能夠無時無刻進行搜尋與購買產品，因此實做一個應用於智慧型手機，並且搭配網路拍賣之混合式推薦機制。此機制結合了資料探勘（Data Mining）的分類及分群（Clustering）、協同過濾之混合式推薦技術。本研究最終的目的在於減少使用者搜尋產品的時間，並且能讓使用者不論在何處，都能利用智慧型手機，進行即時性的購物。

With the advance of Internet, people can search and purchase what they need from the Internet even in the home. However, in the age of information explosion, how users can find their interested goods becomes a major problem to be solved. Although there are many auction websites to support this service, their performances are not very good. Users also can’t stay in front of the computer on twenty-four hours a day to browse the website. Therefore, how to face with the information explosion and provide the user convenience becomes our concerned problem.
A recommendation system becomes a major way to solve the problem. It can not only reduce search cost but also increase sales opportunities in the online shopping business and improve customer loyalty. By using the past preferences to the goods, the recommendation can be applied to similar goods. A recommendation system can be based on the technology of content-based filtering, collaborative filtering, and hybrid approach.
A recommended system can effectively analyze the characteristics and habits of the user. In this research, for the purpose of searching and purchasing goods at any time, a system implementation is developed on the smartphone based on a hybrid recommendation technique to the auction website. This recommendation system combines the classification, clustering, and hybrid collaborative filtering techniques. The purpose of this study is to reduce the time in searching for goods, and to allow users to do on-line shopping anytime via a smartphone.

Contents
致謝. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
摘要. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
目錄. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
表目錄. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
圖目錄. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
第一章前言. . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 研究背景. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 研究動機與目的. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 論文架構. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
第二章相關研究背景. . . . . . . . . . . . . . . . . . . . . . . . 5
2.1 推薦系統概述. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.1 內容導向式推薦系統概述. . . . . . . . . . . . . . . . . . . . 6
2.1.2 協同式推薦系統概述. . . . . . . . . . . . . . . . . . . . . . . 8
2.1.3 混合式推薦系統概述. . . . . . . . . . . . . . . . . . . . . . . 12
2.2 分類及分群概述. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3 Jsoup 網路爬蟲套件. . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Google 應用服務引擎概述. . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5 Android 系統概述. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
第三章混合式推薦系統設計. . . . . . . . . . . . . . . . . . . . . 27
3.1 混合式推薦系統架構設計. . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1.1 研究流程. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1.2 系統架構. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.1.3 系統設計. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 混合式推薦系統之功能設計. . . . . . . . . . . . . . . . . . . . . . . 30
3.2.1 分類及分群. . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2.2 使用者為基礎協同過濾. . . . . . . . . . . . . . . . . . . . . . 37
3.2.3 項目為基礎協同過濾. . . . . . . . . . . . . . . . . . . . . . . 44
3.2.4 混合式推薦系統. . . . . . . . . . . . . . . . . . . . . . . . . . 50
第四章混合式推薦系統建置. . . . . . . . . . . . . . . . . . . . . 53
4.1 實驗方式. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2 系統執行流程. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3 系統實作展示. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
第五章結論與未來展望. . . . . . . . . . . . . . . . . . . . . . . 67
5.1 結論. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.2 未來展望. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
參考文獻. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

[1] LISWiki,http://morris.lis.ntu.edu.tw/wikimedia/index.php/%E6%8E%A8%E8%96%A6%E7%B3%BB%E7%B5%B1.
[2] Adomavicius, G., and Tuzhilin, A., "Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions," IEEE, PP. 734 – 749, 2005.
[3] Pazzani, M. and Billsus, D., "Learning and revising user profiles: The identification of interesting web sites", Machine Learning, pp. 313–331, 1997.
[4] Balabnovic, B., and Shoham, Y., "Fab: Content-based, Collaborative Recommendation," ACM, pp. 734-749, 2005.
[5] Lawrence, R.D., Almasi, G.S., Kotlyar, V., Viveros, M.S., and Duri, S.S., "Personalization of Supermarket Product Recommendations," ACM,pp. 11 – 32 , 2001.
[6] 徐舜基，"整合準則權重於多準則協同過濾推薦之研究"，中國文化大學資訊管理研究所碩士論文，2010年。
[7] 莊清男，"協同過濾式群體推薦"，國立中央大學資訊管理研究所碩士論文，2005年。
[8] Goldberg, D., Nichols, D., Oki, B. M. & Terry D., "Using Collaborative Filtering to Weave an Information Tapestry," ACM, pp. 61-70 ,1992.
[9] Jonathan L. H., Joseph A. K., Al B., John R., "An algorithmic framework for performing collaborative filtering," ACM , pp. 230-237, 1999.
[10] Movielens, http://movielens.org/
[11] Sarwar B., Karypis G., Konstan J., and Riedl J., "Item-based collaborative filtering recommendation algorithms", ACM, Hong Kong , pp. 258-295, 2001.
[12] Jinfeng L., Changrui R., Miao H, "Hybrid Collaborative Filtering Model for improved Recommendation", IEEE, Dongguan, pp. 142 – 145, 2013.
[13] [Qing L. and Byeong M. K., "Clustering Approach for Hybrid Recommender System", IEEE, South Korea, PP. 33 ~ 38, 2003.
[14] Bin W., Qing L., Chunhong Z., "Weight Based KNN Recommender System," IEEE, pp. 449~452, 2013.
[15] 蔡松霖，"電子商務推薦系統模型之初探"，國立東華大學企業管理學系博士論文，2013年。
[16] Classification, http://www.csie.ntnu.edu.tw/~u91029/Classification.html#3
[17] Jsoup, http://www. Jsoup.org/
[18] 簡倖民，"Android應用程式功能開發與連線技術實作"，國立臺灣海洋大學電機工程學系研究所碩士論文，2013年。
[19] 郭致宏，"以GAE為基礎的雲端資料管理系統"，崑山科技大學電腦與通訊研究所碩士論文，2013年。
[20] [Google App Engine, https://appengine.google.com/
[21] Balabanovic,M.,& Shoham,Y., "Content-Based Collaborative Recommendation," ACM, pp. 66-72 , 1997.
[22] 資料探勘， http://faculty.stust.edu.tw/~jehuang/DMCourse/ch1-9.html
[23] Yahoo! 拍賣, https://tw.bid.yahoo.com/
[24] Paul R., Neophytos I., Mitesh S., Peter B., John R., "GroupLens: An Open Architecture for Collaborative Filtering of Netnews," ACM, pp. 175-186, 1994.
[25] Breese, J. S., Heckerman, D., and Kadie, C. "Empirical analysis of predictive algorithms for collaborative filtering," IEEE Conference, pp 43-52 San Francisco, 1998.
[26] 展現群體智慧的協同過濾式推薦，http://www.ithome.com.tw/node/75861