臺灣博碩士論文加值系統

隨著網際網路使用的普及以及各種相關資訊技術的不斷進步，網際網路可說是目前相當受到重視的一項資訊傳播媒體，有愈來愈多使用者透過網際網路從事各種資訊的傳輸及搜尋，因此網際網路服務提供者以及各類的網站管理者皆希望能夠以提供更加便利的服務來吸引更多的使用者。此外，網際網路與其他傳播媒體最大的不同在於網際網路與使用者之間具有一對一傳播的特性，為了充分利用此項特性，讓使用者在使用網際網路時得到最符合自身需求及使用習慣的專屬服務，首先必須對網際網路使用者的瀏覽習慣與偏好有所了解。當對使用者的瀏覽習慣與偏好有所了解後，可依據各個使用者的習慣與偏好，配合網際網路所具有之一對一傳播的特性，主動給予網際網路使用者專屬的個人化服務。
本篇論文針對單一網站與整個網際網路環境這兩種使用情況，提出兩種資料分析處理流程，藉由資料挖掘技術處理及分析各類由網際網路所得的資料，利用不同的資料挖掘方法的分析處理各種不同的網路資料，藉以找出網際網路使用者的瀏覽習慣與偏好，以提供網際網路服務提供者可於使用者在網際網路中瀏覽時，能夠依照不同使用者的瀏覽習慣與偏好提供接近使用者喜好之服務，幫助網際網路服務提供者提供使用者個人化服務時的參考依據。

Personalization is one of the popular services on Internet. To provide personalization, we first have to know where the needs of Internet users are. We use data mining technology to analyze the access patterns of Internet users. By the observed results we get, we can find out of where the needs of Internet users are. Each of the Internet Services Provider and the Web Site Administrator can use these results to provide personalization service for Internet users.
In this thesis, we propose two kinds of frameworks to provide personalization in different environments on Internet. These two different environments are the single Web Site and the relationship between multiple Web Sites. The major technique that used in our frameworks is data mining. The methods of data mining technologies we use in these frameworks are including Weighted Association Rules, Multi-level Association Rules, and Classification. By using the framework we proposed could increase the efficiency of user getting to their goal Web page.

摘要i
ABSTRACTii
誌謝iii
目錄iv
圖目錄vi
表目錄vii
第 1 章緒論1
1.1前言1
1.1.1資料挖掘3
1.1.2網路挖掘4
1.1.3資料挖掘與網路挖掘之比較5
1.2研究背景與動機6
1.3研究目的7
1.4研究限制8
1.5論文架構8
第 2 章文獻探討10
2.1資料挖掘10
2.1.1 資料挖掘與傳統資料庫的不同10
2.1.2 資料挖掘的處理程序12
2.1.3 資料前置處理13
2.1.4 資料挖掘的方法介紹15
2.1.5 本論文中所使用之方法18
2.2 網路挖掘21
2.2.1.網路（Web）資料特性：21
2.2.2.網路挖掘的分類：22
2.3.個人化服務27
2.3.1.何謂個人化服務27
2.3.2.個人化服務與分眾化服務28
2.4.適性化網站29
第 3 章資料分析架構30
3.1 單一網站使用者個人化服務資料分析處理流程30
3.1.1 資料特性分析30
3.1.2 資料分析處理流程31
3.2 網際網路使用者個人化服務資料分析處理流程38
第 4 章實驗過程與結果43
4.1 實驗環境43
4.1.1 硬體設備43
4.1.2 軟體設備43
4.1.3 實驗資料44
4.2 加權關聯規則分析45
4.2.1 處理過程45
4.2.2 結果47
4.3 多層次關聯規則49
4.3.1 處理過程50
4.3.2 結果52
4.4 分類之處理過程與結果54
4.4.1 處理過程54
4.4.2 結果55
4.5 實驗結果之評估與討論55
第 5 章結論56
5.1總結56
5.2未來研究方向57
參考文獻：58
簡歷60

1.林義淵，”Design and Implementation of an Access Pattern Collection Server for Web Data Mining”，國立台灣大學電機工程學研究所碩士論文，民國87年。
2.盧希鵬，S.U.P.E.R. 寶典~打造成功EC經驗10項要訣，網通國際，台北，民國八十九年。
3.蘇姵如，「個人化技術對行銷活動影響之研究」，國立中正大學資訊管理研究所，碩士論文，民國八十八年六月。
4.Adriaans, P.; Zantinge, D. Data mining, Addison-Wesley, 1996
5.Agrawal R.; Srikant, R. “Fast algorithm for mining association rules”, In Proceedings of the 20th VLDB Conference, pp.487-499, 1994.
6.Cabnea, P. et al., Discovering data mining—from concept to implementation, Prentice Hall, 1998.
7.Cai, C. H. et al., “Mining association rules with weighted items”, Proceedings, IDEAS’98. International, pp.68-77, 1998.
8.Cgakrabarti, S. et al., “ Mining the Web’s link structure.” Computer Vol. 32, No. 8, pp. 60-67, Aug., 1999.
9.Cooley, R. et al., “Web mining: information and pattern discovery on the World Wide Web”, Ninth IEEE International Conference on, pp. 558—567, 1997.
10.Etzioni, O., “The world wide web: Quagmire or gold mine”, Communication of the ACM, Vol. 39, No. 11, pp. 65-68, 1996.
11.Han, J.; Fu, Y., “Mining multiple-level association rules in large databases”, IEEE Transactions on Knowledge and Data Engineering, vol. 11,no. 5, September/October, 1999.
12.Han, J.; Kamber, M., Data mining: concepts and techniques, Morgan Kaufmann, 2001.
13.Jansen, C. M. et al, “Knowledge platform for electronic customer care”, Proceedings of the INET’99, 1999.
14.Kosala, R.; Blockeel, H., “Web mining research: a survey”, ACM SIGKDD, Vol. 2, Issue 1, pp. 1-15, 2000.
15.Liu, H. et al., “Mining insightful classification rules directly and efficiently”, 1999 IEEE International Conference on, Vol. 3, pp. 911—916, 1999.
16.Lin, S. H. et al., “Extracting classification knowledge of internet documents with mining term associations: a semantic approach”, Proceedings of the 21st annual international ACM SIGIR conference on Research and development in information retrieval, pp.241-249, 1998.
17.Lin, X. et al., “Efficiently computing frequent tree-like topology patterns in a Web environment”, TOOLS 31. Proceedings, pp. 440 —447, 1999.
18.Maurice D. Mulvenna, Sarabjot S. Anand, and Alex G. Buchner, “Personalization on the net using Web mining”, Communication of the ACM, Vol. 48, No. 8, pp. 123-125, Aug. 2000.
19.Mittal, B.; Lassar, W. M., “The role of personalization in service encounters”, Journal of Retailing, vol. 72, no. 1, pp. 95-109, 1987.
20.Perkowitz, M.; Etzioni, O., “Adaptive Web sites: and AI challenge”, IJCAI-97.
21.------, “Towards adaptive Web sites: conceptual cluster mining”, IJCAI-99.
22.------, “Towards adaptive Web sites: conceptual framework and case study”, WWW8.
23.------, “Adaptive Web sites: automatically synthesizing web pages”, AAAI98.
24.------, “Adaptive sites: automatically learning from user access patterns”, WWW6.
25.------, “Adaptive sites: automatically learning from user access patterns”, UWCS Technical Report.
26.------, “Adaptive Web sites: conceptual cluster mining”, IICAI-99.
27.Riecken, D., “Personalized views of personalization”, Communication of the ACM, Vol. 48, No. 8, pp. 27-28, Aug. 2000.
28.Srivastava, A. et al., “Parallel formulations of decision-tree classification algorithms”, 1998 International Conference on, pp.237—244, 1998.
29.Wang, J., et al., “Web mining: knowledge discovery on the Web”, 1999 IEEE International Conference on Vol. 2, pp. 137—14, 1999.
30.Yu, P. S. “Data mining and personalization technologies”, Proceedings, 6th International Conference on, pp.6-13, 1999.