跳到主要內容

臺灣博碩士論文加值系統

(44.192.254.59) 您好!臺灣時間:2023/01/27 19:28
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:葉志發
研究生(外文):JR-FA Ye
論文名稱:以美感生活型態、藝術偏好與人格特質探討網路服飾之推薦機制
論文名稱(外文):Using the Aesthetics Lifestyle, Artistic Preference and Personality trait to Explore the Recommendation Mechanism of Man’s Apparel on Line
指導教授:陳瑾儀陳瑾儀引用關係
指導教授(外文):Chin-Yi Chen
學位類別:碩士
校院名稱:中原大學
系所名稱:企業管理研究所
學門:商業及管理學門
學類:企業管理學類
論文種類:學術論文
論文出版年:2012
畢業學年度:100
語文別:中文
論文頁數:119
中文關鍵詞:人格特質男性服飾風格美感生活型態網路服飾推薦分類迴歸樹 (CART)藝術偏好
外文關鍵詞:Personality TraitClassification and regression tree (CART)Aesthetics LifestyleRecommendation of Apparel on LineMan’s apparel styleArtistic Preference
相關次數:
  • 被引用被引用:5
  • 點閱點閱:555
  • 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:1
摘要
  近年人們生活水準大幅提升,且現今網路上的商品種類眾多,目前的網路服飾推薦仍以熱門或折扣推薦為主,對於個人化推薦尚未普及,為幫助消費者做正確選擇,因此希望推薦機制與網路服飾結合,以男士服裝為出發點,發展出可以推薦消費者合適衣物的網路服飾推薦機制。
  在探討推薦機制的變數上,本研究以美感生活型態及藝術偏好探討男性服飾風格,以決策樹發展分類機制,並以二階段實驗問卷驗證推薦滿意度,並分組探討示範效果對於不同人格特質(高低自我監控)之影響。
  第一階段問卷樣本回收後,經分類迴歸樹 (CART)分類服飾風格,服飾風格分為:搖滾風格、學院風格、街頭風格、美國風格及嘻哈風格等五類,每類服飾風格皆有其特色服飾單品,和美感生活型態及藝術偏好的特徵,而此階段分類正確率為54.3%。
  除此之外,本研究又進行第二階段的實驗問卷,驗證後此階段推薦機制滿意度為70%,而實驗共分為A、B、C三組,作關於示範效果的實驗,A組為對照組,B組及C組為示範效果組,B組示範單品棒球外套,C組則示範嘻哈風格的穿著,並以人格特質-自我監控來探討其結果,且結果顯示示範效果對消費者偏好影響是不顯著的,示範效果對於自我監控上,B組棒球外套部分低自我監控者反而會受示範效果影響,C組嘻哈風格部分,低自我監控者則不受示範效果影響,而兩者高自我監控者,皆不受示範效果影響。網路服飾可根據本研究的分類樹推薦對消費者進行交叉銷售,且可在根據各服飾風格的特色,發展設計自身的產品,減少錯誤的推薦,使購買產品的意願增加,提升網路服飾店的銷售。

關鍵字:男性服飾風格、美感生活型態、藝術偏好、分類迴歸樹 (CART)、網路服飾推薦、人格特質






Abstract
  Standard of living increases dramatically in recent years, and products can be bought easily online. To help consumers do their right choices, the concept of recommendation system is developed these days. Until now, the recommadation systems online still focus on popular or discount items. The contribution of this thesis is to combine the concept of the recommendation system and personal apparel items to assist consumers choose proper merchandises for themselves. This thesis starts from men's clothing, aims to explore a recommadation mechanism to help consumers choose appropriate clothes.
Variables applied to discuss man's apparel style in this thesis are aesthetics lifestyle and artistic preference. Furthermore, this study uses two-stage experimental questionnaires to identify the satisfaction toward the recommendation mechanism developed in the first stage. Also, subjects in the second stage are separated into three different groups to discuss the demostration effect to different personality traits (high and low self-monitoring).
After the data processing, the dress styles can be classified by classification and regression tree (CART) into Rock Style, College Style, Street Style, American Style and Hip-hop Style. Each style has specific features with different characteristics of the aesthetics lifestyle and artistic preference, in this phase, the correct classification rate of the decision tree is 54.3%.
In the second phase of the experiment, instead of verifying the satisfaction of recommendation mechanisms is 70%. Subjects were divided into A, B, C groups to explore demonstration effect. Group B and group C were the experimantal groups while group A is the comparison group. In the experiment, a powerpoint and statement of a single product (baseball jacket) was shown to B group, and the hip-hop style of wearing was demonstrated to group C. Then personality traits - self-monitoring was applied to investigate the results. In the end, the result shows non-significant in the demonstration effect of consumer preferences. On the other hand, group B shows low self-monitoring subjects were influenced by the demonstration effect while group C shows low self-monitoring subjects were not influenced by the demonstration effect, and both high self-monitoring subjects in group B and C shows no impact on demonstration effect. Also, using the classification tree, cross-selling of apparel online can be possible, and stores selling apparel online can design their own products in accordance with the characteristics of each style, to reduce the error recommendation, increase willingness to purchase and enhance the sale of online apparel stores.
Keywords :Man’s apparel style、Aesthetics Lifestyle、Artistic Preference、Classification and regression tree (CART)、Recommendation of Apparel on Line、Personality Trait






目錄
摘要 I
Abstract II
致謝 IV
目錄 V
表目錄 VII
圖目錄 IV
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 3
1.4研究架構 4
1.5研究流程 4
第二章 文獻探討 6
2.1 推薦系統 6
2.2生活型態理論 13
2.3美感 18
2.4網路服飾發展 18
2.5示範效果 20
2.6自我監控 21
2.7男性服飾風格分類 22
第三章 研究方法 28
3.1研究架構 28
3.2研究假說 28
3.3變數介紹 29
3.3.1生活型態量表 29
3.3.2服飾風格 30
3.3.3藝術偏好量表 31
3.4實驗設計 32
3.5分析方法 32
3.5.1分類回歸樹 (Classification and Regression tree, CART) 32
3.5.2分類迴歸樹演算方法 33
3.6第一階段問卷設計 33
3.6.1生活型態量表設計 33
3.6.2美感生活型態量表設計 35
3.6.3藝術偏好量表 36
3.6.4服飾風格偏好量表 36
3.7第二階段實驗問卷設計 38
第四章 實證分析 39
4.1 問卷樣本資料分析 39
4.2 問卷信度分析 42
4.3 分類迴歸樹分析 49
4.3.1 分類樹成效評估 60
4.3.2 示範效果 61
第五章 結論與建議 69
5.1 研究結論 69
5.1.1問卷樣本描述 69
5.1.2 研究結論 69
5.2 實務意涵 74
5.3 研究限制與未來發展 76
5.3.1 研究限制 76
5.3.2 後續發展建議 76
參考文獻 77
附錄一 第一階段問卷 83
附錄二 第二階段問卷 92
附錄三 棒球外套示範效果資料 102
附錄四 嘻哈風格示範效果資料 106



表目錄
表2.1 協同過濾之定義 10
表2.2 生活型態定義表 13
表2.3 AIO量表 15
表2.4 生活型態區隔相關文獻整理 17
表2.5 台灣自有網路服飾品牌 19
表2.6 服飾風格分類表 26
表3.1 AIO量表 30
表3.2 風格分類表 31
表3.3 簡化版成年人消費者生活型態量表 34
表3.4 本研究之生活型態量表 35
表3.6 藝術偏好量表 36
表3.7 服飾偏好量表 37
表3.8 服飾偏好量表 38
表4.1 年齡分布情形 39
表4.2 教育程度分布情形 40
表4.3 職業分布情形 41
表4.4 網路購衣經驗分布情形 41
表4.5 居住地區分布情形 42
表4.6 藝術訓練分布情形 42
表4.7 生活型態Cronbach's Alpha 值表 43
表4.8 美感生活型態Cronbach's Alpha 值表 44
表4.9 藝術偏好量表Cronbach's Alpha 值表 46
表4.10 服飾偏好量表信度表 47
表4.11 服飾型態量表信度表 48
表4.12 問卷信度總表 48
表4.13 美感生活型態及藝術偏好對服飾風格之分類百分比 (CART) 49
表4.14 美感生活型態及藝術偏好對服飾風格之分類百分比 (CHAID) 52
表4.15 美感生活型態對服飾風格之分類百分比 (CART) 54
表4.16 藝術偏好對服飾風格之分類百分比 (CART) 56
表4.17 分類正確率比較表 58
表4.18 服飾風格特徵整理表 59
表4.19 分類樹評估表 61
表4.20 示範效果對消費者偏好影響表 61
表4.21 A組與B組高自我監控者無母數分析 64
表4.22 A組與B組低自我監控者之無母數分析 64
表4.23 A組與B組棒球外套偏好比較表 65
表4.24 A組與C組嘻哈服飾偏好比較表 65
表4.25 各組自我監控程度與服飾風格對照表 66
表4.26 A組與C組高自我監控者無母數分析 67
表4.27 A組與C組低自我監控者無母數分析 67
表4.28 示範效果結果表 68
表5.1 服飾風格族群特徵表 70
表5.2 分類樹的分類正確率排名 71
表5.3 實驗的分類樹分類正確率 72
表5.4 示範效果結果表 72
表5.5 服飾風格分類人數 75


圖目錄
圖1.1 博客來的協同推薦模式 3
圖1.2 研究架構 5
圖2.1 推薦系統演化 6
圖2.2 推薦機制分類 7
圖2.3 個人化推薦流程 8
圖2.4 內容過濾流程 9
圖2.5 協同過濾流程圖 10
圖2.6 線性組合圖 12
圖2.7 循序組合圖 12
圖2.8 台灣網路服飾品牌定位 19
圖2.9 裏原宿風格圖 23
圖2.10 美國風風格圖 24
圖2.11 草食風風格圖 24
圖2.12 酷哥風風格圖 25
圖2.13 嘻哈風風格圖 26
圖3.1 研究架構 28
圖4.1 美感生活型態及藝術偏好對服飾風格之分類樹 (CART) 51
圖4.2 美感生活型態及藝術偏好對服飾風格之分類樹 (CHAID) 53
圖4.3 美感生活型態對服飾風格之分類樹 (CART) 55
圖4.4 藝術偏好對服飾風格之分類樹 (CART) 57

參考文獻
中文文獻
丁寧(2007),“西方美術史的十五堂課”,北京大學出版社。
中國服裝聯盟 http://www.chcan.com/
方紀蘋(2008),美感生活型態與餐廳屬性偏好之研究,私立東海大學景觀學系碩士論文。
台灣網路資訊中心TWNIC(2009) http://www.twnic.net.tw
吳肇銘(2004),以消費者購買決策為基礎之適性化推薦系統,中原大學資訊管理學系碩士論文。
吳肇銘(2008),以消費者購買決策階段為基礎之適性化推薦系統設計與績效之研究,資訊管理展望, 10(2), 19-43。
別蓮蒂(2000),“生活型態白皮書”,商週出版社。
李佑群(2010),“日本時尚考”,方智出版社。
李欽賢(1993),“日本美術的近代光譜”,雄獅圖書公司。
李維斯 (Levi's)牛仔褲 http://levi.com.tw/tw/about/
男的流行GQ http://www.gq.com.tw/
林孟萱(2006),性別差異及生活型態對線上遊戲使用者消費行為之影響研究,國立政治大學廣告研究所碩士論文。
時尚網 http://men.trends.com.cn/fashion/index.shtml
商業週刊(2011) http://www.businessweekly.com.tw/webarticle.php?id=45019&;p=3 1251期
動腦Brain http://www.brain.com.tw/Famous/FamousContent.aspx?ID=621
張毓倫(2003),個人化顯隱性知識推薦方法之研究,國立成功大學資訊管理研究所碩士論文。
張裕淵(2000),以生活型態觀點探討台灣地區銀行網路金融服務市場區隔之研究, 國立中央大學資訊管理研究所碩士論文。
許士軍(1986),“管理學”,東華書局。
連苡伶(2008),以資料探勘方式分析服飾風格之研究,中原大學資訊工程研究所碩士論文。
陳佩瑜(2003),愛滋病患醫療資源耗用分析-以台北市醫學中心為例,國立陽明大學醫務管理研究所碩士論文。
陳怡芳(2008),情境式音樂推薦機制,國立交通大學工業工程與管理學系碩士論文。
陳明陽(2010),美感生活型態對產品偏好的影響,交通大學應用藝術研究所碩士論文。
陳瑾儀(2009),生活型態與價值觀在實體與虛擬通路之市場區隔模式,國立交通大學科技管理研究所博士論文。
博客來網路書局 http://www.books.com.tw/
曾光華(1998),“行銷學”,三民書局。
楊莛莛(2008),以生活型態為核心之導覽推薦系統,國立成功大學工業設計研究所碩士論文。
楊貽婷(2010),稀少性訴求效果之探討:消費者自我監控與選擇情境之角色,東吳大學國際經營與貿易學系碩士班國際企業組碩士論文。
詹志宏(2008),推薦方式與產品特性對消費者購買線上推薦產品意願之影響,靜宜大學資訊管理學系碩士論文。
資策會產業情報研究所(MIC) http://www.iii.org.tw/Default.aspx
電子工程專輯(2009),血拼不出門 台灣網購市場規模破3,000億元。http://www.eettaiwan.com/ART_8800578754_675327_NT_d6f7ae90.HTM
網路商務PK http://taiwanbiz-yj.blogspot.tw/2010/06/uniqlo2010.html
歐秀明、賴來洋(1999),“實用色彩學”,雄獅圖書公司。
潮流資訊網,http://www.chaoxun.info/
優衣褲,http://www.uniqlo.com/tw/
聯合新聞網(2007),網路購衣掀熱潮。 http://mag.udn.com/mag/digital/storypage.jsp?f_ART_ID=89543
鍾博欽(2009),情境式個人化穿著推薦系統,國立成功大學工程科學研究所碩士論文。
羅家德(2001),“互聯網絡關係行銷”,聯經出版社。
羅進明(1998),網際網路使用者的市場區隔— 以清、交學生為例,國立交通大學管理科學研究所碩士論文。
蘇宛蓁(2008),品牌忠誠度與從眾行為之關係探討,中原大學商業設計學系碩士論文。
中文翻譯書
陳智凱譯 (2003),“消費者行為”,譯自Eric Arnould, Linda Price &; George Zinkhan,麥格羅.西爾國際出版公司。
丁偉譯(2005),“西方美術史簡介”,譯自Hendrik Willem van Loon,北京紫圖圖書有限公司。
閻蕙群、陳俐雯譯(2004),“風格 美感 經濟學”,譯自Vinginia Postrel,商智出版社。
英文文獻
Adomavicius, G., Sankaranarayanan, R., Sen, S., &; Tuzhilin, A. (2005). Incorporating contextual information in recommender systems using a multidimensional approach. ACM Trans. Inf. Syst., 23(1), 103-145.
Adomavicius, G. &; Tuzhilin, A. (2005). “Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions,” IEEE Transactions on Knowledge and Data Engineering, 17(6), pp.734-749.
Andreson, A. R. (1967). Leisure, Mobility, &; Life Style Patterns. American Marketing Association Conference Proceedings, 56-57.
Breiman, L., Friedman, J. H., Olshen, R. A. &; Stone, C. J. (1984), “Classification and Regression Trees” , Wadsworth International Group.
Canny, J. (2002). Collaborative filtering with privacy via factor analysis. Paper presented at the Proceedings of the 25th annual international ACM SIGIR conference on Research and development in information retrieval, Tampere, Finland.
DeBono, K. G., &; Packer, M. (1991). The Effects of Advertising Appeal on Perceptions of Product Quality. Personality and Social Psychology Bulletin, 17(2), 194-200.
Dean, R. (1998). Personalizing your web site.
Available at http://builder.cnet.com/webbuilding/pages/Business/Personal/
Furnham, A., &; Walker, J. (2001). The influence of personality traits, previous experience of art, and demographic variables on artistic preference. Personality and Individual Differences, 31(6), 997-1017.
Gangestad, S. W., &; Snyder, M. (2000). Self-monitoring: Appraisal and reappreisal. Psychological Bulletin, 26(4), 530-555.
Garfield, E. (1997). A Tribute To Calvin N. Mooers , A Pioneer Of Information Retrieval. The Scientist, 11(6), 9.
Good, N., Schafer, J. B., Konstan, J. A., Borchers, A., Sarwar, B., Herlocker, J., &; Riedl, J. (1999). Combining collaborative filtering with personal agents for better recommendations. Paper presented at the Proceedings of the sixteenth national conference on Artificial intelligence and the eleventh Innovative applications of artificial intelligence conference, Orlando, Florida, United States, 439-446.
Gould, S., J. (1993). Assessing self-concept discrepancy in consumer behavior: The joint effect of private self-consciousness and self-monitoring. Advances in Consumer Research, 20(1), 419-424.
Kelly, G. A. “The Psychology of Personal Constructs” , New York: Norton, 1955.
GAP http://www.gapinc.com/content/gapinc/html.html
HIP HOP KLAMOTTEN SHOP http://www.hiphop-klamottenshop.de/
Koren, Y. (2008). Factorization meets the neighborhood: a multifaceted collaborative filtering model. Paper presented at the Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining, Las Vegas, Nevada, USA, 426-434.
Lee, S.-H. &; S.Beverley. (2007). Cultural influences on travel lifestyle: A comparison of Korean Australians and Koreans in Korea. Tourism Management, 28(2), 505-518.
Lemire, D. (2005). Scale and Translation Invariant Collaborative Filtering Systems. Information Retrieval, 8(1), 129-150.
Lang K. (1995). NewsWeeder: Learning to filter netnews. Proceedings of the 12th
International Conference on Machine Learning, Lake Tahoe, CA.331-339.
Plummer, J. T. (1974). The Concept and Application of Life Style Segmentation. Journal of Marketing, 38(1), 33-37.
Qing, L., &; Byeong Man, K. (13-17 Oct. 2003). Clustering approach for hybrid recommender system. Paper presented at the Web Intelligence, 2003. WI 2003. Proceedings. IEEE/WIC International Conference, 2.
Quelch, J. A., &; Klein, L. R. (1996). The Internet and International Marketing. Sloan Management Review, 37(3), 60-75.
Resnick, P., Iacovou, N., Suchak, M., Bergstorm, P., &; Riedl, J. (1994). GroupLens: An Open Architecture for Collaborative Filtering of Netnews. Paper presented at the Proceedings of ACM 1994 Conference on Computer Supported Cooperative Work, 175-186.
Resnick, P., &; Varian, H. R. (1997). Recommender systems. Commun. ACM, 40(3), 56-58.
Reynolds, F. D. &; Darden W. R.,(1974).“Constructing Life Style and Psychographics” , in William D. Well(ed.), Life style and Psychographics,
Chicago: AMA, pp.74-76.
Sarwar, B., Karypis, G., Konstan, J., &; Riedl, J. (2000). Analysis of recommendation algorithms for e-commerce. Paper presented at the Proceedings of the 2nd ACM conference on Electronic commerce, Minneapolis, Minnesota, United States, 158-167.
Shardanand, U., &; Maes, P. (1995). Social Information Filtering: Algorithms for Automating "Word of Mouth'. Paper presented at the Proceedings of ACM {CHI}'95 Conference on Human Factors in Computing Systems, 210-217.
Shavitt, S. (1990). The role of attitude objects in attitude functions. Journal of Experimental Social Psychology, 26(2), 124-148.
Snyder, M. (1974). Self-monitoring of expressive behavior. Journal of Personality and Social Psychology, 30(4), 526-537.
Wells, W. D., &; Tigert, D. J. (1971). Activities, Interests &; Opinions. Journal of Advertising Research, 11(4), 27-34.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top