跳到主要內容

臺灣博碩士論文加值系統

(44.210.83.132) 您好!臺灣時間:2024/05/25 20:04
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:康佑達
研究生(外文):Yu-Ta Kan
論文名稱:協同過濾分析在網路行銷之應用
論文名稱(外文):Application of Collaborative Filtering Analysis in Web Marketing
指導教授:陳志誠陳志誠引用關係楊承亮楊承亮引用關係
口試委員:陳志誠楊承亮
口試日期:2018-06-29
學位類別:碩士
校院名稱:大同大學
系所名稱:資訊經營學系(所)
學門:商業及管理學門
學類:一般商業學類
論文種類:學術論文
論文出版年:2019
畢業學年度:107
語文別:中文
論文頁數:41
中文關鍵詞:新媒體數位科技大數據分析網路推薦新趨勢
外文關鍵詞:Recommendation systemWeb marketingBig data AnalysisDigital technology
相關次數:
  • 被引用被引用:0
  • 點閱點閱:166
  • 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
本論文以協同過濾與內容推薦分析演算法為主,透過H電視現有網路電視的收視戶的觀看行為、時段、頻道、類型等等數據透過協同過濾分析演算法分群分類,導出適合類型並推薦適合內容給新用戶,為新客戶註冊時取得的適當資訊,進而推薦給新加入的用戶,縮短新用戶的搜尋時間,快速找到喜愛頻道以期增加黏著率,透過特定客群數據跟廣告商合作,創造一個三贏的局面。研究問題中針對協同過濾演算法裡面冷啟動與稀疏性來討論,透過內容推薦演算法來達到互補,讓分析推薦時實務上更具備準確度。並透過網路廣告出現頻率和排隊效應對網路電視的廣告記憶、點選意願和購買行為的影響、進而透過協同過濾推薦系統分析最佳建議。透過上述研究方法得到更精準地推薦結果。針對協同過濾演算法裡面的User Base與Item Base來進一步分析出用戶行為模式。
This paper describes an application of collaborative filtering recommendation analysis. Based on viewing behaviors, viewing time and periods, channels, film types, and the like of the viewers of an Internet TV, the HTV, collaborative search analysis algorithms are used to group the viewers and to export suitable film types and suitable contents to new users. Concerning the new customers, we obtain their related information when they registered on the website. The information helps us to recommend suitable contents so that the users will quickly find their favorite channels and increase adhesion. In addition, customer data are valuable to advertisers, creating an all-win situation. Our research focuses in particular on the cold start problem and the sparsity problem of the collaborative filtering algorithms. Through the frequency and queuing effects of online advertisement we may assess the impact of online TV on advertisement memory and purchase behaviors. Through collaborative filtering we may achieve better recommendations. Both user base and item base are used in the filtering to further analyze behavior patterns to achieve better recommendation precision.
摘要 II
目錄 IV
表目錄 V
圖目錄 VI
第一章 緒論 1
1.1 研究背景 2
1.2 研究動機與目的 3
1.3 論文章節架構 3
第二章 文獻探討 5
2.1 Eclat關聯法則 5
2.2 Apriori的關聯規則 6
2.3 協同過濾演算法 (Collaborative Filtering Recommendation) 9
2.4 基於內容的推薦演算法 8
第三章 研究方法 14
3.1 研究架構 14
3.2 實驗流程 16
3.3 基於內容的推薦演算法 18
3.4 協同過濾推薦演算法 23
第四章 資料結果分析 26
第五章 結論 29
參考文獻 30
中文文獻
谷雅慧(1996),資訊呈現方式對網路行銷廣告效果,碩士論文,中央大學資訊管理 研究所。
林清欽(2005) ,以關聯法則建立博物館導覽推薦系統,碩士論文,台東大學資訊管理研究所。
張如慧(1997) 廣告頻率對廣告效果之影響,碩士論文,東海大學管理研究所。
張瓊華(2002)。廣告媒體類型與媒體接觸行為對廣告效果之影響,碩士論文,管理科學研究所
黃馨瑤(2000)內容網站型態與橫幅廣告表現方式對廣告效果之影響,碩士論文,政治大學資訊管理研究所。
楊秀敏 (2004) 線上遊戲產品置入傳播效果研究,碩士論文,國立政治大學廣告 研究所。
國家通訊傳播委員會 (2015),第三十七頁,中華民國104年國家通訊傳播委員會通訊傳播績效報告。

英文文獻
Bearden, W. O., & Etzel, M. J. (1982). Reference group influence on product and brand purchase decisions. Journal of Consumer Research, 9, 183-194.
Hawkins, D. T. (1994). Electronic advertising. On online information systems, ONLINE, March.
Kotler, P. (2000). Marketing Management. Analysis, Planning, Implementation, and Control, 10 th ed., New Jersey: Prentice-Hall .
Heaton, J. (2016). comparing dataset characteristics that favor Apriori , Eclat or FP-Growth frequent itemset mining algorithms
Jonathan L. Herlocker (1999) An algorithmic framework for performing collaborative filtering
Jia Zhang (2016) An effective collaborative filtering algorithm based on user preference clustering
MacKenzie, S. B. & Lutz, R. J. (1989). An empirical examination of the structural antecedents of attitude toward the ad in an advertising pretest context, Journal of Marketing, Vol.53, No.2, pp.48-65.
Meeker, M. (1997). The Internet Advertising Report, Morgan Stanley & Co.
Meyer, D. J., & Anderson, H. C. (2000). Preadolescents and apparel purchasing: Conformity to arents and peers in the consumer socialization process. Journal of Social Behavior & Personality, 15(2).

網站資料
全年數位廣告量調查報告(2016). http://www.dma.org.tw/newsPost/150,存取日期, 2018/04/27。
內容推薦演算法. https://read01.com/RMjkg.html#.WuFXn4huY2w
餘弦定理. https://zh.wikipedia.org/wiki/餘弦定理
歐幾里得距離. http://zh.wikipedia.org/wiki/
關聯規則Eclat演算法. https://kknews.cc/news/9mo2k8b.html
關聯規則Apriori演算法. https://kknews.cc/news/qongaeo.html
關聯規則支持度公式. https://blog.csdn.net/sanqima/article/details/42746419
Law, S. & Braun, K.(2000). I’ll Have What She’s Having, Gauging the Impact of Product Placements on Viewers, Psychology & Marketing. https://onlinelibrary.wiley.com/doi/epdf/10.1002/1520-6793%28200012%2917%3A12%3C1059%3A%3AAID-MAR3%3E3.0.CO%3B2-V
Wikipedia.https://zh.wikipedia.org/wiki/%E5%85%B3%E8%81%94%E8%A7%84%E5%88%99%E5%AD%A6%E4%B9%A0
https://en.wikipedia.org/wiki/Recommender_system
https://blog.csdn.net/sanqima/article/details/42746419
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top