近年來隨著網際網路人口的快速增長，網路使用者已經越來越多，而相關的網路行為與特徵也越來越受到關注。本研究試圖了解台灣民眾使用數位命理的特徵規則、傳統命理與數位命理之間的關係、以及使用數位命理的主要動機，將從調查的資料庫中，探討使用網路命理網友的人口特質、使用行為之情形。本研究使用了約略集合理論（Rough Set Theory）、貝氏網路(Bayesian Network)、決策樹(Decision Tree)等相關的資料探勘方法來進行分析，希望能區隔民眾使用數位命理之特徵、偏好，以了解台灣民眾使用數位命理的情況。

本研究將針對台灣民眾使用數位命理的情況，分析出數位命理使用者的個人特質、傳統命理與數位命理之間的關係、以及使用數位命理的動機。本研究的成果能對目前國內民眾使用網路命理的行為狀況能有更進一步的瞭解，同時也可以提供網路業者做為一個參考。

In recent years, internet users have increased considerably in number. This has led to the attention of internet-related behavior and characteristics. This study aims to understand the motivation and behavior pattern for Taiwan on-line fortune telling users. Exploring core characteristics is, however, a qualitative problem. The rough set theory (RST), which has recently become well known as a data-mining technique, is a good tool for data reduction in qualitative analysis.

This paper proposes a method that links the rough set theory, Bayesian network and decision tree modeling for causal analysis. An empirical study is presented to illustrate the application of the proposed method.
This paper demonstrates a successful reduction of the numerous essential user characteristics into a more compact set, the user background and behavior for the Taiwan on-line fortune telling users were analyzed. The data mining result for targeting marketing in on-line users can offer the Internet enterprise the information for marketing decision making. Based on the findings of this study, conclusions and implications for management are discussed.

摘要 I
ABSTRACT II
誌謝 III
目錄 IV
表目錄 VI
圖目錄 VIII
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 3
1.3 研究流程 4
1.4 論文架構 5
第二章 文獻探討 6
2.1 網路行為 6
2.2 數位命理 9
2.3 約略集合理論 11
2.4 資料探勘 14
2.4.1 貝氏網路 14
2.4.2 決策樹 16
第三章 研究方法 19
3.1 約略集合理論 19
3.1.1 資訊表 19
3.1.2 上下界近似關係與分類 19
3.1.3 屬性的核心與折減 21
3.1.4 決策規則與涵蓋指標 21
3.2 資料探勘 22
3.2.1 資料探勘方法論 22
3.2.2 資料探勘技術 23
3.3 貝氏網路 25
3.3.1 貝氏機率理論 26
3.3.2 圖形模式 26
3.3.3 樹狀貝氏分類器 27
3.4 決策樹 28
3.4.1 C4.5演算法 29
3.5 理論特色比較 31
3.6 使用工具與驗證方式 32
3.6.1 ROSE 32
3.6.2 WEKA 32
3.6.3 交互驗證方法 32
第四章 實證研究 33
4.1 屬性說明與資料結構 33
4.1.1 屬性選取 33
4.1.2 屬性定義 35
4.1.3 資料結構 36
4.2 交叉分析 37
4.2.1 個人背景資料 37
4.2.2 命理使用行為 39
4.2.3 命理使用動機 40
4.3 約略集合理論分析結果 41
4.3.1 建立決策表 42
4.3.2 命理使用行為與命理使用動機之折減分析 43
4.3.3 數位命理之規則分析 46
4.4 貝氏網路分析結果 48
4.4.1 命理之行為分析 49
4.4.2 命理使用之動機分析 54
4.4.3 數位命理之個人背景分析 57
4.5 決策樹分析結果 65
4.5.1 傳統命理之行為分析 66
4.5.2 命理使用之動機分析 68
4.5.3 數位命理之個人背景分析 69
4.6 分析結果比較 72
4.6.1 個人背景之規則結果比較 72
4.6.2 重要屬性比較 72
4.6.3 準確率之比較 73
第五章 結論 75
參考文獻 77
作者簡介 83

1.吳偉文，資料探勘 讓Weka遇見ROSE，全元科技顧問股份有限公司，2011。
2.呂貫文，大學生使用網際網路行為及其影響因素之相關研究-以靜宜大學學生為例，靜宜大學青少年兒童福利學系碩士論文，1999。
3.周佩蓁，以決策樹分析顧客滿意度之研究，育達商業技術學院資訊管理研究所碩士學位論文，2005。
4.林夆錡，網路命理儀式參與者之意願成因探討。南華大學傳播學研究所碩士論文，2009。
5.林盈源，決策樹在資料庫行銷決策之應用，國立成功大學工業管理研究所碩士論文，2003。
6.林逢春，降低資料參數以提高學習效率，亞洲大學資訊科學與應用學系碩士班碩士論文，2008。
7.林傳銘、蕭再安、廖慶隆，“應用概略集合理論規劃捷運車站站位配置之研究”，九十四學年度碩士專班研究成果發表會，國立台灣海洋大學，2005。
8.高菀均，使用約略集合和羅吉特模式評估多功能筆記型電腦之購買選擇行為， 開南管理學院企業管理研究所碩士論文，2006。
9.張思揚，以網路流量偵測ARP欺騙攻擊之研究。國立高雄大學資訊管理學系碩士班碩士論文，2009。
10.張鳳玲，發展貝氏網路於基因網路的建構與探討，慈濟大學醫學資訊研究所碩士論文，2006。
11.莊啟男，銀行帳戶異常交易偵測之研究。東吳大學商學院資訊科學系碩士論文，2007。
12.郭貞，“影響數位命理行為因素與動機之探討：找尋數位命理行為之動力心理模式”。新聞學研究，85期，2005，41-182。
13.郭貞，從多重學理取徑探討網路之算命行為。行政院國家科學委員會專題研究計劃報告，2003。
14.陳佳楓，台灣地區網路時代文學傳播之研究。南華大學出版與文化事業管理研究所碩士論文，2009。
15.陳昆晟，以約略集合為基礎的多元結果規則擷取演算法與其旅遊應用。國立暨南國際大學資訊管理研究所碩士論文，2010。
16.陳致榮，探討大學生的網路行為意向。中華大學應用數學學系碩士論文，2009。
17.陳鈞銘，資料採礦在保險電話行銷上之運用實例研究-以某銀行意外險電話行銷專案為例。樹德科技大學金融與風險管理系碩士班碩士論文，2007。
18.陳鴻樟，我國銀行作業風險衡量。逢甲大學財務金融學系碩士班碩士論文，2006。
19.章英華、傅仰止，台灣地區社會變遷基本調查計劃：第四期第五次調查計劃執行報告。台北：中央研究院社會學研究所，2004。
20.傅仰止 杜素豪，台灣地區社會變遷基本調查計劃：第五期第五次調查計劃執行報告。台北：中央研究院社會學研究所，2009。
21.馮文清，世新網路電台網友使用行為之研究。世新大學傳播研究所碩士論文，2007。
22.黃美玲、許佑新、黃智仁、陳正誼、陳俊誠，“應用決策樹於青光眼患者之鑑別”。中華民國品質學會第42屆年會暨第12屆全國品質管理研討會，國立勤益科技大學，11月4日，2006。
23.劉文文，數位隔離：網際網路行為模式的經濟分析。國立台灣大學經濟學研究所碩士論文，2000。
24.潘泰成，資料探勘技術在老舊校舍分析的應用。靜宜大學資訊碩士在職專班碩士論文，2008。
25.鄭宇麟，樹狀貝氏分類器狄氏先驗分配之合理性。國立成功大學工業與資訊管理研究所碩士論文，2006。
26.鄭淑真、林彥廷、黃悅民，“以決策樹為基礎之數位學習題庫自動分級系統”。全國計算機會議，崑山科技大學，12月15日，2005。
27.賴威利，利用約略集合理論預測燒燙傷患者死亡率。南台科技大學國際企業研究所碩士論文，2005。
28.賴政皓，應用資料探勘技術提升急診醫學檢傷分類之一致性-以台灣某醫學中心急診醫學部為例。國立勤益科技大學工業工程與管理系碩士班碩士論文，2007。
29.錢炳全、吳長達、徐正達、蔡雅華，資料探勘技術在大專課程學習網站之應用。第二屆數位內容管理與應用學術研討會，國立臺南大學，6月1日，2007。
30.謝居呈，應用機器學習理論改良分類竄改過之中英文垃圾電子郵件。國立台灣科技大學電機工程系碩士論文，2005。
31.魏劭楷，數位命理使用者的動機、滿足、信任與評估的初探性研究-以批踢踢實業坊命理研究院為例。南華大學生死學研究所碩士論文，2010。
32.羅智仁、莊東穎、張玉山，應用貝氏網路於叢集式架構無線感測網路下節點錯誤偵測與錯誤地圖建立。全國計算機會議，崑山科技大學，12月15日，2005。
33.台灣網路資訊中心，"2010年臺灣寬頻網路使用狀況調查"，台灣網路資訊中心，線上檢索日期：2011年4月20日，取自http://www.twnic.net.tw/download/200307/1001b.pdf。
34.胡舜宜，"網路算命算出大商機"，電子商務時報，線上檢索日期：2011年4月20日，取自http://www.ectimes.org.tw/Shownews.aspx?id=8096。
35.教學卓越中心，"網路人口概況與網路使用行為"，數位媒體行銷資源庫電子報，線上檢索日期：2011年4月20日，取自http://distance.shu.edu.tw/98dmcix/d01.htm。
36.郭齊，"傳統新生意"，ideas 創新發現誌，線上檢索日期：2011年4月20日，取自http://newideas.cc/magazine/article.php?AKEY=108。
37.練惠琪，"網路業的金雞母 網路算命讓你走到哪算到哪"，電子商務時報，線上檢索日期：2011年4月20日，取自http://www.ectimes.org.tw/Shownews.aspx?id=8017。
38.Kdnuggets,"Data Mining Methods (Apr 2006)",Data Mining Community's Top Resource,線上檢索日期：2011年4月20日，取自http://www.kdnuggets.com/polls/2006/data_mining_methods.htm。
39.Berry, J. A., & Linoff, G., “Data Mining Techniques: for Marketing, Sales, and Customer Support”, John Wiley & sons, Inc., New York, 1997.
40.Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P., “From data mining to knowledge discovery in databases”, AI Magazine, Vol. 17, No. 3, 1996, pp. 37-54.
41.Friedman, N., Geiger, D., & Goldszmidt, M., “Bayesian network classifiers”, Machine Learning, Vol. 29, No. 2-3, 1997, pp. 131-163.
42.Gürbüz, F., Özbakir, L., & Yapici, H., “Classification rule discovery for the aviation incidents resulted in fatality”, Knowledge-Based Systems, Vol. 22, No. 8, 2009, pp. 622-632.
43.Han, J., & Kamber, M., “Data Mining: Concepts and Techniques”, 2nd ed., Morgan Kaufmann, 2006.
44.Liou, J. H., Yen, L., & Tzeng, G. H., “Using decision rules to achieve mass customization of airline services”, European Journal of Operational Research, Vol. 205, No. 3, 2010, pp. 680-686.
45.Moran, C. J., & Bui, E. N., “Spatial data mining for enhanced soil map modeling”, International Journal of Geographical Information Science, Vol. 16, No. 6, 2002, pp. 533-549.
46.Pawlak, Z., “Rough sets and intelligent data analysis”, Information Sciences, Vol. 147, No. 1-4, 2002, pp. 1-12.
47.Pawlak, Z., “Rough sets”, International Journal of Computer and Information Science, Vol. 11, No. 5, 1982, pp. 341-356.
48.Pawlak, Z., Grzymala-Busse, J., Slowinski, R., & Ziarko, W., “Rough Sets”, Computing Machinery Communications of the ACM, Vol. 38, No. 11, 1995, pp. 89-95.
49.Peacock, P. R., Data Mining in Marketing: Part 1”, Marketing Management, Vol. 6, No. 4, 1998, pp. 9-18.
50.Predki, B., & Wilk, Sz., “Rough Set Based DataExploration Using ROSE System,” In Foundations of Intelligent Systems, Ras, Z.W., Skowron, A,. eds. Lecture Notes in Artificial Intelligence, Vol. 1609, 1999, pp. 172-180.
51.Predki, B., Slowinski, R., Stefanowski, J., Susmaga, R., & Wilk, Sz., “ROSE - Software Implementation of the Rough Set Theory,” In Rough Sets and Current Trends in Computing , Polkowski, L., Skowron, A., eds. Lecture Notes in Artificial Intelligence, Vol. 1424, 1998, pp. 605-608.
52.Quinlan, J.R., “C4.5: Programs for Machine Learning”, Morgan Kaufman, 1993.
53.Stamelos, I., Angelis, L., Dimou, P., & Sakellaris, E., “On the Use of Bayesian Belief Networks for the Prediction of Software Productivity”, Information and Software Technology, Vol. 45, No. 1, 2003, pp. 51-60.
54.Viaene, S., Dedene, G., & Derrig, R. A., “Auto claim fraud detection using Bayesian learning neural networks”, Expert Systems with Applications, Vol. 29, No. 3, 2005, pp. 653-666.
55.Walczak, B., & Massart, D. L., “Tutorial Rough sets theory”, Chemometrics and Intelligent Laboratory Systems, Vol. 47, No. 1, 1999, pp. 1-16.
56.Wu, W.W., “Linking Bayesian networks and PLS path modeling for causal analysis”, Expert Systems with Applications, Vol. 37, No. 1, 2010, pp. 134-139.
57.Wu, W.W., Lee, Y.T., & Tzeng, G.H., “Simplifying the manager competency model by using the rough set approach”, In Proceedings of The Tenth International Conference on Rough Sets, Fuzzy Sets, Data Mining, and Granular Computing, Canada: Regina, 2005.
58.Wu, W.W., Lee, Y.T., Tseng, M.L, & Chiang Y.H., “Data mining for exploring hidden patterns between KM and its performance”, Knowledge-Based Systems, Vol. 23, No. 5, 2010, pp. 397-401.