臺灣博碩士論文加值系統

　　近年來，隨著網路的發達，導致人們取得資訊的方式不再以口耳相傳的方式。網路也因行動裝置和目前4G的蓬勃發展讓資訊能夠快速傳播並且容易取得，也因為這個趨勢也導致資訊量相當的龐大，所以在龐大的訊息中使用這如何取得自己想要的資料，因此推薦系統就因應而生。如何利用推薦系統可以有效地降低搜尋時間，使得使用者能夠較快速地搜尋到資訊。行動網路的興起也帶動了社群網路的發展，使用者已習慣利用網路資訊和好友來分享自己生活中的有趣事情或者去過的商家或地點，另一個方面，社群網路的訊息更新較為快速，但讓使用者在搜尋舊有的資料上有些難度。故興起了利用社群網路資訊為主的推薦系統。本研究建立一個以使用者為主的推薦系統，結合使用者偏好以及好友經驗，幫助使用者排除不感興趣的商品，以達到有效地推薦。新品項之商品或服務由於沒有相對應的參考值，故我們期望能利用好友與好友的好友之間的間接關係並搭配哨點制朋友去改善準確率經由驗證確認準確度之提升。

With the advancement of the Internet in recent years, transmission of information is no longer limited to word of mouth. Mobile devices and the booming 4G networks have allowed users to gain access to information easily and quickly. Because of the increasing amount of digital information, recommendation systems take shape. Using a recommendation system, users can save time and quickly find what they want. We also consider that the rise of mobile networks has led to the development of social networks, and users always use online information to share their interesting life and shops or places they visit with their friends. However, social media updates can be very fast and it is difficult for users to search for old data. Therefore, we propose a recommendation system based on social network information. This study aims at establishing a user-based recommendation system that combines user preferences and friends' shopping experiences to exclude the products that users are not interested in to make effective recommendations. Since there is no corresponding reference value for new products or services, we use the indirect relationship between friends and "friends of friends" together with the sentinel user to improve the accuracy. The results reveal that using our proposed algorithm, the recommendation accuracy is efficiently improved.

摘要 i
ABSTRACT ii
誌謝 iii
目錄 iv
圖目錄 vi
表目錄 vii
附錄 viii
第一章 緒論 1
1.1 前言 1
1.2 研究動機與目的 1
1.3 論文章節架構 2
第二章 相關文獻及背景介紹 3
2.1 推薦系統（Recommendation System） 3
2.1.1協同過濾式（Collaborative filtering） 5
2.1.2內容過濾式（Content-based filtering） 6
2.1.3混合式推薦（Hybrid recommender） 6
2.1.4常見的推薦系統 6
2.2 Web 2.0概述 8
2.2.1Web 2.0特點 9
2.2.2Web 2.0相關技術 9
2.3 社群網路（Social Network） 10
2.3.1社群網路的優缺點 10
2.3.2 Facebook 10
2.3.3 Yelp 13
2.4 相關公式介紹 15
2.4.1 獨立事件機率 15
2.4.2權重 15
2.4.3古典機率 16
2.5 相關論文探討 18
第三章 研究方法 19
3.1 問題描述 19
3.2 研究設備 20
3.3 系統框架 21
3.4 研究設計方式 22
3.4.1使用者偏好 22
3.4.2吸引力建議 24
3.4.3檢測群組內哨點制 25
3.5 研究架構流程 27
第四章 實驗結果與數據分析 28
4.1 本實驗設計與測試步驟 28
4.1.1 設計步驟 28
4.1.2 測試步驟 29
4.1.3 評估指標 30
4.2 實驗之資料 31
4.3 實驗結果 35
第五章 結論 44
參考文獻 45
附錄 47

[1]F. Abel, E. Herder, G.-J. Houben, N. Henze, and D. Krause, “Cross-system user modeling and personalization on the socialWeb, ” User Model. User-Adapt. Interact., vol. 23, nos. 23, pp. 169209, 2013.
[2]Goldberg D, Nichols D, Oki BM, Terry D, “Using collaborative filtering to weave an information tapestry” Communications of the ACM, pp. 61-70, 1992.
[3]Zhongchen Miao, Junchi Yan, Kai Chen, Xiaokang Yang, Hongyuan Zha, and Wenjun Zhang, “Joint Prediction of Rating and Popularity for Cold-Start Item by Sentinel User Selection”, IEEE Access, vol. 6, pp.8500-8513, Nov. 2016.
[4]K. Kesorn , W. Juraphanthong, A. Salaiwarkul, “Personalized Attraction Recommendation System for Tourists Through Check-In Data” IEEE Access, vol. 5, pp. 26703-26721, 2017.
[5]蔡英順, “結合社群網站資料之電影推薦系統”, 碩士論文, 實踐大學資訊科技與管理學系, Jan. 2016.
[6]邱韻蓉, “整合社群網絡之多準則餐廳推薦系統”, 碩士論文, 國立臺北大學資訊管理研究所, Jan. 2014.
[7]余沛倫, “整合社群網站資訊與情緒標籤於音樂推薦系統之研究”, 碩士論文, 國立高雄大學資訊管理學系, Jul. 2015.
[8]陳政德, “以項目為基礎的協同過濾應用於網路教材瀏覽推薦之研究”, 碩士論文, 銘傳大學資訊工程學系, Jun. 2004.
[9]李雲芳, “運用資料探勘於機能性服飾推薦之研究”, 碩士論文, 國防大學管理學院運籌管理學系, Jun. 2018.
[10]廖崇勛, “結合知識分享與社交網路探索的書籤推薦系統設計”, 碩士論文, 國立高雄第一科技大學資訊管理研究所, 2012.
[11]丁榮鴻, “一個位置相關之主動式推播教學系統”, 碩士論文, 國立成功大學工程科學系, 2005.
[12]科技新報　Amazon 的推薦系統到底行不行？http://technews.tw/2016/07/17/amazon-page-system/
[13]Yelp：利用社群分享的力量賺大錢https://buzzorange.com/techorange/2011/10/24/yelp-story/
[14]維基百科　協同過濾https://zh.wikipedia.org/wiki/%E5%8D%94%E5%90%8C%E9%81%8E%E6%BF%BE
[15]維基百科　Web2.0https://zh.wikipedia.org/zh-tw/Web_2.0
[16]MySQL下載連結https://dev.mysql.com/downloads/installer/
[17]去哪都要先查評價的時代，美國最大點評網站 Yelp 登台http://technews.tw/2015/03/26/yelp-is-comming-to-taiwan/
[18]Yelphttp://www.bpaper.org.tw/communication/yelp/
[19]K. Kuizinas. GitHub. (2012). Facebook-Friend-Rank. [Online]. Available: https://github.com/gajus/facebook-friend-rank