臺灣博碩士論文加值系統

金融消費商品和服務愈來愈多，複雜，積極落實金融消費教育已刻不容緩。以保險為例，許多民眾對自己的保險內容範圍及是否符合自身需求一知半解，只因家人及業務員之影響而投保，成交後自我安慰有保險就好，卻不知是否往後的保險費用是否能配合本身的收入及未來財務規劃的考慮因素，往往造成自己財務負擔，解約也造成自己的投資浪費。於是利用相同屬性的人來推薦所需要的保險，是否為自己所要的保險商品，若這個方式成立則商品可以放大至消費者購買的物品，針對購買物品設計專門的推薦機制演算法再回應屬個人化的訊息，這就是本研究中所要論述的概念了。
本研究在經過線上使用者實際使用但因資料問題無法驗證，卻也利用三個示例來推演推薦過程及結果。在呈現推薦保險商品方面，符合文獻及理論上的需求，在保險公司方面利用從使用者對保險公司的優劣利用評比分數方式來推薦不至於踩到地雷，以降低使用者資訊取得成本及購買的風險。在最後結論中可以發現１.「協同過濾式推薦」是一個確實可行的保險推薦模型。２. 「財務性質Profile」及「協同過濾式推薦」是可結合運作的。３. 「協同過濾式推薦」有助於使用者解決「資訊過載」問題。4. 本研究的推薦模型可以改進協同過濾技術在資訊鮮度方面的不足。5. 本研究的協同過濾式推薦系統可以提升使用者理財觀念

The financial expense commodity and service become more and more complicated. The education in financial expense has turned into a necessity and should be carried out immediately without any hesitation.
Take insurance for example, there are lots of consumers own their insurance, but they do not exactly understand whether the content and scope of insurance meets their demand or not. They own the insurance just because most of their family members and friends have it or because of the persuasiveness of insurance clerks. It is only a comfort to them to own the insurance. The fact is they forget to evaluate their income and future financial planning before they make decisions. The consumers might terminate this agreement due to they are not able to afford to pay the insurance premium. This becomes an investment loss or waste to consumers. Therefore, with the same attribute of people, their recommendation to insurance often meets those who has same request. If this method works, then the commodity could be broadened the scope to consumers’ any purchasing items. To design specific recommendation algorithm to feedback individualized information. This is what we are going to discuss in this research.
This research has been tested through the on-line users, thanks to the data issue, we are not able to test and verify the effect. But, we utilize three (3) demonstrations to deduce the process and the result of recommendation. Regarding the part of recommending insurance commodity, this research is in accordance with documents and theoretical demand. As to insurance company, consumers’ can judge the advantage and disadvantage of this company with evaluating score to avoid poor quality and bad service of insurance company. This will reduce consumers’ purchasing cost and risk. Finally, we found 1. “Collaborative filtering of recommended” is a feasible recommendation model for insurance. 2. “Financial attribute of Profile” and “Collaborative filtering of recommended” could be combined together for operation. 3.”Collaborative filtering of recommended” is helpful to users to solve overload information problem. 4. This research of recommendation model can improve the collaborative filter technology to keep up with the latest information. 5. Collaborative filtering of recommended can enhance users’ perspective on managing finance.

目錄 ……………………………………………………………………………………..vi
表次 ……………………………………………………………………………………viii
圖次 ……………………………………………………………………………………..ix
第壹章、 緒論 1
1.1 研究背景和動機 2
1.2 研究目的 7
1.3 研究範圍 8
1.4 研究流程 8
1.5名詞釋義 9
第貳章、 文獻探討 12
2.1理財網站類型及探討 12
2.2理財規劃 14
2.2.1 理財規劃的步驟 14
2.2.2理財規劃與保險 17
2.2.1人生階段與保險的關係 18
2.2.2 理財價值觀與保險的關係 19
2.2.5 簿記設計及原則 20
2.3 網路個人化與協同過濾技術 22
2.3.1個人化 22
2.3.2 協同過濾的定義 28
2.3.3 協同過濾的優點與限制 30
2.3.5 推薦系統的設計方式 33
2.3.6 協同過濾系統的評估指標 34
第參章、 研究方法與系統設計 37
3.1簿記系統 37
3.2 協同過濾式機制 39
3.4 保險商品推薦之運作流程 42
3.4.1計算使用者個人負擔值 42
3.4.2.計算支配所得等級 45
3.4系統設計 49
第肆章、 系統展示及示例 51
4.1 基本資料說明 51
4.2 系統展示 51
4.2.2支出╱收入 58
4.2.3預算╱整合 63
4.2.4報表╱分析 65
4.2.5推薦： 69
4.3 推薦系統之運算流程展示 70
4.3.1 示例一 72
4.2.2 示例二 77
4.2.3 示例三 83
4.3 示例說明分析 89
第伍章、 結論與建議 91
5.1 研究結論 91
5.2 對實務界的貢獻與建議 94
5.3 研究限制與未來研究方向 96
參考文獻 97

表 次
表1-1 過濾系統相關研究之比較 4
表 2-1　理財入口網站發展模式 13
表 2-2、生涯規劃與理財活動 19
表 2-3、理財價值觀與基金保險行銷 20
表 2-4、家庭收支儲蓄主要科目與可進一步劃分之細目表 21
表 2-5、網站個人化的分類與技術層次 25
表 2-6、學者對協同過濾之定義的整理 30
表 2-7、五個主要的推薦系統的設計方式 33
表 3-1、使用者年齡判斷表 43
表 3-2、房貸花費判斷表 44
表 3-3、子女花費判斷表 44
表 3-4、婚姻判斷表 44
表 3-5、預估資產金額、所得等級判斷表 46
表 4-1 使用者資料 71

圖　次

圖 1-1、消費者對創新資訊應用服務之接受程度 6
圖 1-2、創新資訊應用服務時，應獲得的回饋 7
圖 1-3、研究流程圖 9
圖 2-1、理財規劃的步驟16
圖 2-2、資產組合的結構18
圖 2-3、個人化系統屬性分類矩陣 28
圖 3-1、系統架構圖 37
圖 3-2、支出登錄畫面 38
圖 3-3、保險資料登錄及評比流程圖 39
圖 3-4、研究架構 40
圖 3-5、協同過濾式撮合機制之核心模型 41
圖 3-6、保險商品撮合之運作流程 42
圖 3-7、計算個人負擔值結果 43
圖 3-8、計算支配所得等級 45
圖 3-9、計算商品排行榜 47
圖 3-10、保險公司評比排行 49
圖 3-11、系統之資料流程圖 49
圖 4-1、簿記達人網站SiteMap及選單 52
圖 4-2、簿記達人網站 53
圖 4-3、個人設定之一個人資訊登錄 55
圖 4-4、個人設定之一金融機構登錄 55
圖 4-5、個人設定之一信用卡╱現金卡登錄 56
圖 4-6、個人設定之一保險資訊登錄 57
圖 4-7、支出╱收入之一支出登錄 59
圖 4-8、支出╱收入之一信用卡繳款 60
圖 4-9、支出╱收入之一現金提領 61
圖 4-10、支出╱收入之一帳戶間轉帳 61
圖 4-11、支出╱收入之一收入登錄 62
圖 4-12、預算╱整合之一支出預算 64
圖 4-13、報表╱整合之－流水帳 66
圖 4-14、報表╱整合之－支出類型及預算 67
圖 4-15、報表╱整合之－年度之支出與收入比較 68
圖 4-16、保險推薦的結果 69
圖 4-17 個人負擔值及個人所得支配等級判斷流程圖 70
圖 4-18、示例一協同過濾式保險推薦結果步驟一之一 74
圖 4-19、示例一協同過濾式保險推薦結果步驟一之二 75
圖 4-20、示例一協同過濾式保險推薦結果步驟一之三 76
圖 4-21、示例一協同過濾式保險推薦結果步驟一之四 76
圖 4-22、示例二協同過濾式保險推薦結果步驟一之一 79
圖 4-23、示例二協同過濾式保險推薦結果步驟一之二 80
圖 4-24、示例二協同過濾式保險推薦結果步驟一之三 81
圖 4-25、示例二協同過濾式保險推薦結果步驟一之四 82
圖 4-26、示例二協同過濾式保險推薦結果步驟一之五 82
圖 4-27、示例三協同過濾式保險推薦結果步驟一之一 85
圖 4-28、示例三協同過濾式保險推薦結果步驟一之二 86
圖 4-29、示例三協同過濾式保險推薦結果步驟一之三 87
圖 4-30、示例三協同過濾式保險推薦結果步驟一之四 87
圖 4-31、示例三協同過濾式保險推薦結果步驟一之五 88

1.簡士家，「消費者對投資型保險購買行為之研究─產品認知涉入之應用」，朝陽科技大學保險金融管理系研究所碩士論文，民國92年
2.廖志逢，「銀行保險消費者購買動機、認知、涉入與意願之研究」，朝陽科技大學企業管理學系研究所碩士論文，民國93年
3.陳坤信，「購買商業健康保險影響因素之研究」，逢甲大學保研所碩士論文，民國9０年
4.李玉齡，「低收入戶女性單親家庭的困境與突破之探究 -以台北市政府社會局」，國立政治大學社會學系碩士論文，民國9０年
5.羅健銘，「協同過濾於網站推薦之研究」，台北科技大學商業自動化與管理研究所碩士論文，民國90 年。
6.余明哲，「圖書館個人化館藏推薦系統」，國立交通大學，資訊科學研究所，碩士論文，民國9２年。
7.理財規劃實務編輯委員會編，「理財工具及其應用」，財團法人台灣金融研訓院 ，民國94年，修訂第四版。
8.張瀚仁，「個人化技術對虛擬社群發展之影響」， 政治大學資訊管理研究所未出版之碩士論文，民國89年。
9.楊智元，「符合使用者個人喜好需求的入口網站介面之研究」， 大葉大學資訊管理研究所未出版之碩士班論文，民國90年。
10.龔良明，「衍生性群集分析方法之探訂:理論與應用」， 國立中山大學資訊管理研究所碩士論文，民國90年。
11.黃君德 ,「電子商業網站產品推薦系統的研究與實作」, 國立台灣大學資訊工程學研究所碩士論文，民國91年
12.廖婉菁，「應用協同過濾機制於商品推薦之研究 —以手機網站為例」，中原大學資訊管理學系碩士學位論文，民國90年。
13.韓双福，「應用協同過濾機制於商機撮合電子報之研究–以食品業電子市集為例」，中原大學資訊管理學系碩士學位論文，民國92年。
14.http://www.find.org.tw/find/home.aspx 資策會FIND網站
15.http://www.dbas.taipei.gov.tw/NEWS_WEEKLY/FY_Tree.asp 臺北市政府主計處
16.http://www.dgbas.gov.tw/mp.asp?mp=1 行政院主計處
17.http://www.lia-roc.org.tw/　中華民國人壽保險商業同業公會
18.kinyele,http://www.csee.umbc.edu/~jklabrou/courses/fall1999_691f/week10/john_akinyele_recommender_systems/491f_files/v3_document.htm, March 2002.
19.Allen, C., Kania D., and Yaeckel, B., Internet World Guide to One-To-One Web Marketing, John Wiley & Sons, 1998.
20.Anderson, P., Anderson, E., “The New E-Commerce Intermediaries”, MIT Sloan Management Review, Summer, 2002, pp. 53-62.
21.Badrul, S., George, K. , Joseph, K., and John, R., “Analysis of Recommendation Algorithm for E-Commerce,” Communication of ACM, 2000, pp.158-167.
22.Bakos, J. Y., “The emerging role of electronic marketplaces on the Internet”, Communications of the ACM, 41(8), August 1998, pp. 35-42.
23.Balabanovic, M. and Shoham, Y., “Fab: Content-Based, Collaborative Recommendation,” Communications of the ACM, 40(3), 1997, pp. 66-72.
24.Baroudi, J.J., and Orlikowski, W.J., “A Short-Form Measure of User Information Satisfaction: A Psychometric Evaluation and Note on Use,” Journal of Management Information Systems, 4(4), 1988, pp. 44-59.
25.Berghel, H.,“Email-the good, the bad, and the ugly”. Communications of the ACM, 40(4), 1997, pp. 11-15.
26.Berry, M. J. A. and Linoff, G., Data Mining Techniques: For Marketing Sale and Customer Support, John Wiley & Sons, Inc., 1997.
27.Blankenhorn, D, “E-mail flexes its marketing muscle”, Advertising Age' s Business Marketing, 82(6), July 1997, pp. 28.
28.Breese, J. S., Heckerman, D., and Kadie, C., “Empirical Analysis of Predictive Algorithm for Collaborative Filtering,” Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence, 1998, pp. 43-52.
29.Chen, Ming-Syan , Jiawei H. and Philip S. Yu, “Data Mining: An Overview rom a Database Perspective,” IEEE Transactions on Knowledge and Data Engineering, (6), December 1996, pp. 866-883.
30.Churchill, Gilbert A. , Marketing Research: Methodological Foundations, Fifth Edition. Orlando, Dryden., 1991.
31.Clark, P. and Niblett, T., “The CN2 Induction Algorithm,” Machine Learning, 3,1989, pp. 261-283.
32.Claypool, M., Brown, D., Le, P., and Waseda, M., “Inferring User Interest,” EEE Internet Computing, December, 2001, pp. 32-39.
33.Claypool, M., Gokhale, A., Miranda, T., Murnikov, P., D. Netes, and Sartin, M., “Combining Content-Based and Collaborative Filters in an Online Newspaper,” Proceedings of ACM SIGIR Workshop on Recommender Systems, 1999.
34.Colin G., Harrison, A., K. Caglayan, Agent sourcebook.New York : John Wiley & Sons, 1997.
35.Davis, F.D., “Perceived Usefulness, Perceived Easy of Use, and User cceptance of Information Technology,” MIS Quarterly, 15(3), 1989, pp. 319-340.
36.Dean, R., “personalizing your web site”, http://www.builder.com/business/ personal, 1998.
37.Dhillon, N.,”Achieving Effective Personalization and Customization Using Collaborative Filtering,”http://home1.gte.net/dhillos/cf., October 1995.
38.Estivill-Castro, V. and Murray, A. T., “Spatial Clustering for Data Mining with Generic Algorithms,” Faculty of Information Management, Septemter 1997.
39.Everitt, B. S., Cluster Aanlysis, John Wiiley & Sons, Inc., 1993.
40.Goldberg,D.,”Using Collaborative Filtering to Weave An Information Tapestry,” Communications of the ACM, December 1992, pp. 61-70.
41.Goldman Sachs, “B2B：2B or Not 2B”, Goldman Sachs Investment Research, November 1999.
42.Good, N., Schafer, J.B., Konstan, J., Borchers, A., Sarwar, B., Herlocker, J., and Riedl, J.,”Combining Collaborative Filtering with Personal Agents for Better Recommendations,” Proceedings of the 1999 Conference of the American Association of Artifical Intelligence (AAAI-99), 1999, pp 439-446.
43.Han, J., Fu, Y. and Tang, S., “Advances of the DBLearn System for Knowledge Discovery in Large Databases,” Proc. of 1995 Int’l Joint Conf. on Artificial Intelligence (IJCAI’95), August, 1995, pp.2049-2050.
44.Herlocker, J. L., Konstan, J. A., Borchers, A., and Riedl, J., “An Algorithmic Framework for Performing Collaborative Filtering,” Proceedings of the 22nd International Conference on Research and Development in Information Retrieval, 1999, pp. 230-237.
45.Hers, A., and Im, I. “Finding Information Just for You: Knowledge Reuse Using Collaborative Filtering Systems,” Twenty-Second International Conference on Information Systems, 2001.