臺灣博碩士論文加值系統

隨著市場的激烈競爭，使得企業組織的經營策略逐漸從傳統的紅海競爭理論轉換為尋找公司的藍海策略（Blue Ocean Strategy），藍海策略強調超越現有需求，以確保公司的獲利優勢，因此如何找出顧客更多有效的潛在需求，便成了一個十分重要的議題。
個人化推薦（Personalized Recommendation）技術常應用於預測顧客潛在需求的議題上，是一個可以提昇消費者價值及增加企業銷售商機的一種技術。然而我們發現過去的個人化推薦系統研究通常侷限於以顧客最可能隸屬的主群集來預測顧客的潛在需求，忽略顧客隸屬其他分群的可能性和更多的潛在需求。因此，本研究提出一個創新的以重疊群集為基礎的協同過濾式推薦（CFR-OC）模型以改進上述缺點，首先利用EM演算法對顧客消費特徵屬性進行重疊式分群，將分群機率作為不同群集對顧客消費行為之推薦比重，分別進行基於用戶和基於項目兩種協同過濾推薦方法的預測分析，最後混合過濾二者推薦資訊，以找出適合顧客的個人化推薦商品清單。
根據實證結果顯示，透過CFR-OC模型，除了可找出主顧客群的推薦商品外，另外也可找出由次群集所推薦的有效商品，確實可以有效地擴展顧客潛在需求空間。本論文的貢獻主要有二點，第一，在個人化推薦系統中我們提出一種不同於以往的協同過濾式推薦模型，以重疊群集為基礎，針對顧客的消費行為挖掘出更多有效的潛在需求。第二，運用資料探勘技術及提出新的混合過濾演算法，改善傳統推薦模型之限制，較有效率地挖掘出個人化推薦商品。

摘 要 I
誌 謝 II
目 錄 III
表 目 錄 V
圖 目 錄 VI
第一章 緒論 1
1.1研究背景 1
1.2研究動機 1
1.3研究目的 2
1.4論文架構 3
第二章 文獻探討 4
2.1藍海策略 4
2.2推薦系統 5
2.2.1推薦系統簡介 5
2.2.2個人化推薦系統技術 7
2.3資料探勘 14
2.3.1簡介 14
2.3.2分群 14
2.3.3關聯規則 18
2.3.4 OLE DB for Data Mining 21
第三章 研究方法 25
3.1問題分析與定義 25
3.2以重疊群集為基礎之協同過濾式推薦方法 27
3.3重疊式分群 30
3.4預測顧客對商品之推薦評分 32
3.4.1計算顧客個人對商品之推薦評分 33
3.4.2計算各重疊群集對商品之推薦評分 34
3.4.3預測顧客商品推薦評分 34
3.5篩選個人化關聯規則 36
3.6混合過濾個人化推薦商品 38
第四章 實驗及結果分析 42
4.1資料與使用工具介紹 42
4.2實驗架構與流程 43
4.2.1重疊式分群模組 44
4.2.2重疊群集之商品推薦評分模組 49
4.2.3重疊群集之關聯規則挖掘模組 51
4.2.4混合過濾個人化推薦商品模組 53
4.3推薦模型驗證 57
4.3.1 模型驗證設計 57
4.3.2 以主群集為基礎之協同過濾式推薦模型實驗 58
4.4 實驗結果分析與討論 63
第五章 結論與未來方向 65
5.1研究結論 65
5.2未來研究方向 66
參考文獻 67
附錄 72
附錄一 以重疊群集挖掘顧客20061028002之個人化關聯規則 72
附錄二 在30份顧客購買意願調查問卷中由次群集所推薦之Top-5商品 76
附錄三 13位顧客之推薦效力評分表（底色代表重覆推薦商品項目） 81

[AIS93] R. Agrawal, T. Imielinske, and A. Swami, “Mining Association Rules Between Sets of Items in Large Database,” Proceedings of the ACM- SIGMOD International Conference on Management of Data, 1993, pp. 207-216.
[AS94] R. Agrawal and R. Srikant, “Fast Algorithms for Mining Association Rules in Large Database,” Proceedings of the 20th International Conference on Very Large Data Bases, 1994, pp. 487-499.
[AEK00] A. Ansari, S. Essegaier, and R. Kohli, “Internet Recommendation Systems,” Journal of Marketing Research, Vol. 37, No. 3, 2000, pp. 363-375.
[BS97] M. Balabanovic and Y. Shoham, “Fab: Content-based, Collaborative Recommendation,” Communications of the ACM, Vol. 40, No. 3, 1997, pp. 66-72.
[BMDT97] S. Brin, R. Motwani, J.D. Ullman, and S. Tsur, “Dynamic Itemset Counting and Implication Rules for Market Basket Data,” Proceedings of the ACM SIGMOD, 1997, pp. 255-264.
[CHY96] M.S. Chen, J. Han, and P.S. Yu, “Data Mining: An Overview from A Database Perspective,” IEEE Transaction on Knowledge and Data Engineering, Vol. 8, No. 6, 1996, pp. 866-833.
[CGM99] M. Claypool, A. Gokhale, and T. Miranda, “Combining Content-based and Collaborative Filters in An Online Newspaper,” Proceedings of ACM SIGIR Workshop on Recommender Systems, 1999, pp. 60-64.
[DI01] J. Delgado and N. Ishii, “Multi-Agent Learning in Recommender Systems for Information Filtering on the Internet,” International Journal of Cooperative Information Systems, Vol. 10, No. 1, 2001, pp. 81-100.
[DLR77] A. P. Dempster, N. M. Laird, and D. B. Rubin, “Maximum Likelihood from Incomplete Data via the EM Algorithm,” Journal of the Royal Statistical Society, Vol. 39, 1977, pp. 1-38.
[DG96] D.W. Oard and G. Marchionini, A Conceptual Framework for Text Filtering, Technical Report CAR-TR-830, Human Computer Interaction Laboratory, University of Maryland at College Park, 1996.
[GNOT92] D. Goldberg, D. Nichols, B.M. Oki, and D. Terry, “Using Collaborative Filtering to Weave An Information Tapestry,” Communication of the ACM, Vol. 35, No. 12, 1992, pp. 61-70.
[HKB99] J. Herlocker, J. Konstan, A. Borchers, et al., “An Algorithmic Framework for Performing Collaborative Filtering,” Proceedings of the 22nd ACM Conference on Research and Development in Information Retrieval, 1999, pp. 230-237
[Kar01] G. Karypis, “Evaluation of Item-based Top-N Recommendation Algorithms,” Proceedings of the 10th International Conference on Information and Knowledge Management, 2001, pp. 247-254.
[KB97] B. Krulwich and C. Burkey, “The InfoFinder Agent: Learning User Interests Through Heuristic Phrase Extraction,” IEEE Intelligent Systems, Vol.12, No. 5, 1997, pp. 22-27.
[Lan95] K. Lang, “Newsweeder: Learning to Filter Netnews,” Proceedings of the Twelfth International Conference on Machine Learning, San Francisco, CA, 1995, pp. 331-339.
[LKR01] C. H. Lee, Y. H. Kim, and P. K. Rhee, “Web Personalization Expert with Combining Collaborative Filtering and Association Rule Mining Technique,” Expert Systems with Applications, Vol. 21, No. 3, 2001, pp. 131-137.
[Mac67] J. B. MacQueen, “Some Methods for Classification and Analy?sis of Multivariate Observations,” Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, 1967, pp. 281-297.
[MY97] B. Marko and H. Yoak, “Fab: Content-based, Collaborative Recommendation,” Communications of the ACM, Vol. 40, No. 3, 1997, pp. 66-72.
[NCF01] A. Netz, S. Chaudhuri, U. Fayyad, et al., ”Integrating Data Mining with SQL Databases: OLE DB for Data Mining,” Proceedings of 17th International Conference on Data Engineering, 2001, pp. 379-387.
[RIS94] P. Resnick, N. Iacovou, M. Suchak, et al., “GroupLens: An Open Architecture for Collaborative Filtering of Netnews,” Proceedings of the ACM CSCW''94 Conference on Computer-Supported Cooperative Work, 1994, pp. 175-186.
[RV97] P. Resnick and H.R. Varian, “Recommender Systems,” Communications of the ACM, Vol. 40, No. 3, 1997, pp. 56-58.
[SKKR00] B. Sarwar, G. Karypis, J. Konstan, and J. Riedl, “Analysis of Recommendation Algorithms for E-Commerce,” Proceedings of the ACM E-Commerce 2000 Conference, 2000, pp. 158-167.
[SKKR01] B. Sarwar, G. Karypis, J. Konstan, and J. Riedl, “Item-based Collaborative Filtering Recommendation Algorithm,” Proceedings of the 10th International WWW Conference, Hong Kong, 2001, pp. 285-295.
[SKR99] J.B. Schafer, J. Konstan, and J. Riedi, “Recommender System in E-Commerce,” Proceedings of the First ACM Conference on Electronic Commerce, 1999, pp. 158-166.
[SM95] U. Shardanand and P. Maes, “Social Information Filtering: Algorithms form Automating “Word of Mouth”,” Proceedings of the Conference on Human Factors in Computing Systems(CHI95), 1995 , pp. 210-217.
[SW02] S. Staab, H.Werthner, et al., “Intelligent Systems for Tourism,” IEEE Intelligent Systems, Vol. 17, No. 6, 2002, pp. 53-57.
[尹06]尹相志，《SQL Server 2005 資料採礦聖經》，台北：學貫出版社，2006。
[余03]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，新竹，台灣，2003。
[李06]李明等譯，Chris Anderson著，《長尾理論》，台北：天下文化，2006。
[吳04]吳志宏，《以隱性回饋為基礎的自動化推薦模型》，朝陽科技大學資訊管理研究所碩士論文，台中，台灣，2004。
[莊04] 莊清男，《協同過濾群體推薦》，中央大學資訊管理研究所碩士論文，中壢，台灣，2004。
[黃05]黃秀媛譯，W. C. Kim & R. Mauborgne著，《藍海策略》，台北：天下文化，2005。
[陳06]陳寶旭，《運用協同過濾推薦模型於搭售商品之推薦》，朝陽科技大學資訊管理研究所碩士論文，台中，台灣，2006。
[彭01]彭文正譯，Michael J. A. Berry &Gordon Linoff著，《資料採礦-顧客關係管理暨電子行銷之應用》，臺北：數博網資訊股份有限公司，2001。
[蔣06] 蔣聖文，《結合內容及協同過濾於推薦系統研究》，2006數位科技與創新管理國際研討會，華梵大學，台北，台灣，2006。
[齊06]齊立文，《組織思維/向科特勒學行銷-Philip Kotler》， http://marketing.chinatimes.com/ItemDetailPage/MainContent/05MediaContent.aspx?MMMediaType=ManagerTodayMG&MMContentNoID=33110，2006。