跳到主要內容

臺灣博碩士論文加值系統

(35.174.62.102) 您好!臺灣時間:2021/07/25 03:25
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:賴國弘
研究生(外文):Kuo-Hung LAI
論文名稱:結合線上使用者心理型態與瀏覽行為之內衣推薦系統
論文名稱(外文):A underwear of recommendation system combine online user's psychology type and browsing behavior
指導教授:林清同林清同引用關係
指導教授(外文):Ching-Torng LIN.
學位類別:碩士
校院名稱:大葉大學
系所名稱:資訊管理學系碩士在職專班
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2007
畢業學年度:95
語文別:中文
論文頁數:65
中文關鍵詞:推薦系統心理型態瀏覽行為內衣個人化
外文關鍵詞:recommend systempsychology typebrowsing behaviorunderwearpersonalization
相關次數:
  • 被引用被引用:2
  • 點閱點閱:155
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
網際網路盛行所帶來的資訊爆炸,使得要在網路上搜尋所需資訊越來越困難。近年來針對這樣的問題一方面研究提出了利用資訊檢索或是網頁結構探勘的方式來更準確地找尋到所需資訊。然而目前大多數的推薦系統,需要依據顧客背景及過去的消費行為作推薦或需具備大量的顧客過去的消費資料等等限制,造成必須額外花費許多經費去建置這樣的資料庫系統,對於資料的準確性與及時性都有稀疏性問題,因此引發本研究加入心理型態的因子,來讓整個推薦機制更加完整。
本研究針對女性內衣網頁瀏覽者為受測對象,結合了使用者的瀏覽行為與商品型態設計與心理型態,透過網站系統收集521份問卷進行資料分析,藉以實證本研究所發展的推薦架構。研究結果發現系統推薦項目符合使用者期望的結果顯著,藉此可以提供相關產業做為發展系統設計時的參考。
The internet widely accepted information brought explodes, making to want on the network to search the information needed more and more difficult.Aim at this in recent years of the problem studies to put forward to make use of the way that information index or web page structure prospect on the other hand to search the information needed more accurately.However currently most recommendation systems, need to make to recommend or need to have past etc. restriction of the consumption data of a great deal of customer according to the customer background and the past consumption behavior, causing has to cost many budgets to build additionally thus of database system, in time have a sparse sex problem to the accuracy of data and sex, so cause the factor that this research joins a mental type, make the whole recommendation mechanism more complete.
This research browses to female underwear web page in order to be measured object, combined an user to browse behavior and merchandise type design and mental type, To collect 521 questionnaires to carry on data analysis through the website system, by configuring by the recommendation that substantial evidence develop when originally study. The research finds system recommending item to match the result of[with] user expectation as a result notable, can provide related industry to be used as the development reference for system to design by this.
內容目錄
中文摘要 ..................... iii
英文摘要 ..................... iv
誌謝辭  ..................... v
內容目錄 ..................... vi
表目錄  ..................... viii
圖目錄  ..................... x
第一章  緒論 .................. 1
  第一節  研究背景與動機............ 1
  第二節  研究目的............... 3
  第三節  研究方法............... 5
  第四節  論文架構............... 7
  第五節  研究流程............... 8
  第六節  研究限制............... 9
第二章  文獻探討................. 10
第一節  人格特質............... 10
第二節  個人化服務.............. 14
第三節  推薦系統............... 16
第三章  網路使用者行為與心理探勘模式 ...... 22
  第一節  研究方法與設計............ 22
  第二節 系統功能架構與流程.......... 33
第四章 系統測試結果分析............. 44
第一節 開發工具與環境............ 44
第二節 研究對象............... 44
第三節 可行性評估與討論........... 46
第五章  結論與後續研究建議............ 51
第一節  研究討論............... 51
第二節 後續研究建議............. 53
參考文獻...................... 55
附錄A  五大人格特質原始問卷........... 63



表目錄
表 1-1 全球網路使用人口統計............. 1
表 2-1 五個構面其組成的面向............. 14
表 3-1 商品與其特性................. 23
表 3-2 人格分類與其對商品特性的喜好......... 24
表 3-3 商品與其特性結合表.............. 26
表 3-4 商品特性與人格特質分群............ 26
表 3-5 商品點擊順序回饋行為計算範例......... 27
表 3-6 商品停留時間回饋行為計算........... 27
表 3-7 重覆點擊商品回饋行為計算........... 28
表 3-8 使用者瀏覽商品偏好的單項分數......... 28
表 3-9 O開放型的商品特性包含的商品......... 29
表 3-10 瀏覽商品特性表................ 29
表 3-11 瀏覽商品特性加權分數............. 29
表 3-12 存有A1商品特性加權分數得分表........ 30
表 3-13 存有A6商品特性加權分數得分表........ 31
表 3-14 人格特性商品總得分............. 31
表 3-15 前三名商品特性分解表............ 32
表 3-16 特性加權分數................ 32
表 3-17 人格商品相符特性數............. 32
表 3-18 結合瀏覽與人格商品總分........... 33
表 3-19 符合使用者期望值計算方式.......... 43
表 3-20 不符合使用者期望值計算方式......... 43
表 4-1 樣本結構分析................ 45
表 4-2 樣本瀏覽行為特徵.............. 46
表 4-3 第一順位相符情況表............. 47
表 4-4 第二順位相符情況表............. 47
表 4-5 第三順位相符情況表............. 48
表 4-6 符合使用者期望............... 49


圖目錄
圖 1-1 研究方法流程圖................ 6
圖 1-2 研究流程圖.................. 8
圖 3-1 系統架構圖.................. 34
圖 3-2 系統運作流程圖................ 36
圖 3-3 五大人格特質量表............... 38
圖 3-4 商品查詢................... 39
圖 3-5 商品查詢結果顯示............... 40
圖 3-6 使用者自訂排名................ 41
圖 3-7 使用者基本資料................ 42
參考文獻
一、中文部份
尹玫瑰(2001),選對Cup魅力up,台北:如何出版社。
江錦樺(2001),人格特質與組織文化之適配性對工作績效之影響-以高科技F公司為例,國立中央大學人力資源管理研究所碩士論文。
沈聰益(2003),人格五因素模式預測保險業務員銷售績效的效度-NEO-PI-R量表之跨文化檢驗與人際特質架構之實證探討,國立交通大學經營管理研究所博士論文。
張春興(2003),消費者心理學,台北:東華書局。
張哲銘(2003),以使用者偏好分類為基礎之網際資源推薦系統,國立台灣大學資訊管理研究所碩士論文。
陳一帆(2005),應用線上顧客產品認知程度與瀏覽行為於個人化商品推薦之研究,大葉大學資訊管理研究所碩士論文。
韓繼成(2002),國民中學訓導人員角色壓力、人格特質與工作滿意度的關係之研究,國立彰化師範大學教育研究所碩士論文。
蘇俊斌(2005),應用網站探勘技術於網友瀏灠行為分析-以內容服務網站為例,國立臺灣大學資訊管理學研究所碩士論文。
TWNIC(2006),財團法人台灣網路資訊中心,[線上資料],來源:http://www.twnic.net.tw










二、英文部份
Al, M. R. (2002). Getting to know you: Learning New User Preferences in Recommender Systems, Proceedings of the 7th international conference on Intelligent user interfaces.
Aleksander, B., Demko, N., & colino, J. (2003). The utility of graph theoretic software metrics: a case study, Electrical and Computer Engineering, 2, 1309-1312.
Allport, G. W. (1961). Pattern and Growth in Personality, New York: Holt, Rinehart and Winston 19.
Ansari, A., Essegaier, S., & Kohli, R. (2000). Internet Recommendation Systems, Journal of Marketing Research, 37(3), 363-375.
Billsus, D., & Pazzani, M. J. (1999). A hybrid user model for news story classification, in: Proceedings of the Seventh International Conference on User Modeling.
Brucks, & Merrie, (1985). The Effects of Product Class Knowledge on Information Search Behavior, Journal of Consumer Research 12(1), 1-15.
Chaffee, J. (2000). Personal ontology for Web navigation, 9th International Conference on Information and Knowledge Management.
Chee, S. H. S., Han, J., & Wang, K. (2001). RecTree: An Efficient Collaborative Filtering Method, Proceedings of International Conference on Data Warehouse and Knowledge Discovery, 141-151.
Cho, Y. H., Kim, J. K., & Kim, S. H. (2002). A personalized recommender system based on web usage mining and decision tree induction, Expert Systems with Applications 23(3), 329-342.
Crampes, M. (2000). Ontology-supported and ontology-driven conceptual navigation on the World Wide Web, Proceedings of the 11th ACM Conference on Hypertext and Hypermedia.
David, V. D., & Stanley, B. S. (1989). Personality and Job Performance: Evidence of Incremental Validity. Personnel Psychology, 42, 25-36.
David, W., & McDonald, (2003). Ubiquitous Recommendation Systems, Computer, 36(10), 111-112.
Dean, J., & Monika, R. H. (1999). Finding Related Pages in the World Wide Web, in Proceedings of the Eighth World-Wide Web Conference, Toronto, Canada.
Goldberg, D., Nichols, Oki, D. B. M., & Terry, D., (1992), Using Collaborative Filtering to Weave an Information Tapestry, Communication ACM, 35(12), 61-70.
Guielford, J. P. (1965), Fundamental Statistics in Psychology and Education, 4thed, New York, McGraw Hill.
Harrison, A. W., & Rainer, R. K. (1992). The influence of individual differences on skill in end-user computing, Journal of Management Information Systems, 9(1), 93-111.
Herlocker, J. L., Konstan, J. A., & Riedl, J. (2000). Explaining Collaborative Filtering Recommendations, Proceedings of the ACM 2000 Conference on Computer Supported Cooperative Work, 241-250.
Hu, X., & Cercone, N. (2004). A data warehouse/online analytic processing framework for web usage mining and business intelligence reporting, International Journal of Intelligent Systems, 19(7), 585-606.
Huang, H. S., & Hsu, C. N. (2001), Smoothing of Recommenders'Ratings for Collaborative Filtering, Proceedings of the TAAI Conference on Artificial Intelligence and Applications.
Ingrid, F. (2004). An index method for measurement of customer satisfaction, Research and concepts, 7-66.
Kim, J. W., Lee, K. M., Shaw, M. J., Chang, H. L., Nelson, M., & Easley, R. F. (2006). A preference scoring technique for personalized advertisements on Internet storefronts, Mathematical and Computer Modelling, 443-15.
Lam, S. K., McNee, S. M., Konstan, J. A., & Riedl, J. (2002). Getting to Know You: Learning New User Preferences in Recommender System, Proceedings of the International Conference on Intelligent User Interfaces, 127-134.
Linden, G., Smith, B., & York, J. (2003). Amazon.com Recommendations: Item-to-Item Collaborative Filtering, IEEE Internet Computing, 7,(9), 76-80.
McCrae, R. R., & Costa, P. T., Jr., (1992). An Introduction of the Five-Factor Model and Its Applications. Journal of Personality, 60, 175-215.
Mulvenna, M. D., Sarabjot, S. A., & Buchner, A. G. (2000). Personalization on the Net using Web Mining, Communications of the ACM, 43,(8), 123-125.
Myers, I. B., & McCaulley, M. H. (1985). Manual: A guide to the development and use of the Myers-Briggs type indicator, Palo Alto: Consulting Psychologists Press.
Padmanabhan, B., & Tuzhilin, A. (1999). Unexpectedness as a measure of interestingness in knowledge, Decision Support Systems, 27(3), 303-318.
Park, C. W., Feick, Lawrence, & Mothersbaugh, D. L. (1992). How Product Experience and Knowledge of Brands, Attuibutes, and Features Affects What We Think, in Advances in Consumer Research, Vol.19, J.F. Sherry, Jr., and B. Sternthal, eds, Association for Consumer Research, Provo, UT., 193-198.
Pine, B. J., Victor, B. B., & Andrew, C. (1993). Making Mass Customization Work, Harvard Business Review, 7(5), 108-111.
Ratchford, B. T. (2001), The economics of consumer knowledge. Journal of Consumer Research, 27(4), 397-411.
Resnick, P., & Varian, R. H. (1997), Recommender systems, Communication of ACM, 40(3), 56-58.
Robert D. G., & Hubert S. F. (1998), Human Resource Selection(4th Ed.), Dryden. Personnel Psychology, 50(2), 359-394.
Sarwar, B., Karypis, G., Konstan, J., & Riedl, J. (2000), Analysis of Recommendation Algorithms for E-Commerce, Proceedings of the ACM E-Commerce 2000 Conference, 158-167.
Schafer, J. B. (1999). Recommender Systems in E-Commerce, E-Commerce of the ACM.
Shardanand, U., & Maes, P. (1995). Social Information Filtering: Algorithms for Automating Word of Mouth, Proceedings of the Conference on Human Factors in Computing Systems, 210-217.
Ward, H. (2000). Principles of Internet Marketing, South-Western College Publishing.
Witkin, H. A., C. A., Moore, D. R. Goodenough, & Cox, P. W. (1977). Field dependent and field independent cognitive styles and their educational implications, Review of Educational Research, 47, 1-64.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top