跳到主要內容

臺灣博碩士論文加值系統

(44.200.86.95) 您好!臺灣時間:2024/05/28 08:54
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

: 
twitterline
研究生:韓双福
研究生(外文):Shuang-Fu Han
論文名稱:應用協同過濾機制於商機撮合電子報之研究–以食品業電子市集為例
論文名稱(外文):E-newsletter for Transaction Matching by Collaborative Filtering - A Case of e-Marketplace in the Food Industry
指導教授:吳肇銘吳肇銘引用關係
指導教授(外文):Jimmy Wu
學位類別:碩士
校院名稱:中原大學
系所名稱:資訊管理研究所
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2003
畢業學年度:91
語文別:中文
論文頁數:113
中文關鍵詞:個人化協同過濾商機撮合電子市集
外文關鍵詞:Collaborative FilteringMatchingPersonalizatione-Marketplace
相關次數:
  • 被引用被引用:13
  • 點閱點閱:233
  • 評分評分:
  • 下載下載:28
  • 收藏至我的研究室書目清單書目收藏:6
隨著企業間電子商務的風潮,企業紛紛採用「電子市集」來提升交易效率。電子市集藉由大量聚集買賣雙方及交易流程的自動化,使得買方可以擴展其選購產品與服務的空間。賣方則可以擴展新市場、新客戶,並降低雙方的交易成本。而正因為「電子市集」可以為廠商同時帶來規模與範疇經濟,因此許多企業紛紛設立或加入電子市集。

目前電子市集主要是利用商品類別來撮合買賣雙方,然而其撮合出來的商品數量往往過於龐大,不僅無法協助採購人員進行有效的採購決策,更造成「資訊過載」的困擾。本研究應用個人化技術中的協同過濾(Collaborative Filtering)技術開發出一套「協同過濾式商機撮合系統」,該系統可以推薦給買家其相似群組的偏好商品,同時也幫助供應商開發潛在客戶。此外,為了增進推薦內容資訊鮮度,本研究也利用內容基礎技術來推薦相關新進商品。在呈現推薦商品方面,本研究利用電子郵件行銷的方式,將撮合結果寄送給買家,以降低買家的資訊取得成本。

本研究在經過食品業之電子市集實際驗證後,發現「協同過濾式商機撮合系統」可以提升電子市集的撮合績效,會員對於電子報也抱持著肯定的態度。本系統可以使得買家得以進行更有效的採購決策、賣家得以增加商品的曝光率,更創造出電子市集業者對於買家和供應商的附加價值。對於電子市集業者而言,本系統可以成為一種無形的策略性資源,可以幫助電子市集業者得以獲致長期的競爭力。
The trend of B-to-B e-commerce makes quite a few companies to improve purchase efficiency with e-marketplace. By aggregating a large number of enterprises and automating transaction process, buyers have more choices about the selection of products or services, and sellers can broaden the scope of maket and reduce the transaction costs. For the advantage of the economy of scale and scope, most of companies are very enthusiastic about the adoption or establishment of e-marketplace.

So far, e-marketplces just use the category of product to match buyers with sellers. However, the matching results are often too huge. It not only fails to help agents purchasing effectively, but also causes the problem of “Information Overloading”. This study applies “Collaborative Filtering”, a kind of web- personalization, to recommend buyers the products according to their similar group and provide sellers the potential customers. Moreover, for the “Recommandation Freshness,” this study also recommends the correlative up-to-date products by content-based approach. About the delivery of recommendation, the system will dispatch the matching results to buyers by e-newsletter.

After the empirical test in an e-Marketplace of the food industry, this study finds that “the Collaborative Filtering Matching System” can make a good matching performance for e-marketplace. Most members are satisfied with the recommendation in the e-newsletter. By this system, buyers can make superior purchase decision, sellers can benefit from the exposedness of products. Besides, it helps e-marketplace create the added value for buyers and sellers. From the standpoint of e-marketplace owner, it could be an intangible strategic resource to acquire the long-term competitiveness.
目 錄
目 錄 i
表 次 iii
圖 次 iv
第壹章、緒論 1
1.1 研究背景 1
1.2 研究動機 6
1.3 研究目的 7
1.4 研究範圍 8
1.5 研究流程 9
第貳章、文獻探討 10
2.1 電子市集 10
2.1.1 電子市集的定義 10
2.1.2 電子市集的分類 12
2.1.3 電子市集的服務功能 14
2.1.4 電子市集的價值創造性功能 17
2.2 電子郵件行銷 19
2.2.1 電子報的定義與特性 19
2.2.2 電子郵件的優點與缺點 21
2.2.3 電子郵件行銷的定義與分類 23
2.3 網路個人化與協同過濾技術 24
2.3.1 個人化 24
2.3.2 協同過濾的定義 31
2.3.3 協同過濾的優點與限制 33
2.3.4 協同過濾運作機制 36
2.3.5 推薦系統的設計方式 45
2.3.6 協同過濾系統的評估指標 47
第參章、研究方法與系統設計 49
3.1 協同過濾式商機撮合機制 49
3.2 協同過濾式撮合機制之核心架構 51
3.3 商機撮合之運作流程 53
3.4 系統設計 62
3.5 實地驗證 64
3.6 理論基礎 68
第肆章、系統展示與驗證 70
4.1 基本資料說明 70
4.2 商機撮合系統之運算流程展示 71
4.2.1 計算買家群組之商品排行榜 73
4.2.2 計算商品排行榜之相似新商品 79
4.2.3 產生推薦內容 84
4.2.4 寄送推薦商品電子報 85
4.2.5 買家讀取電子報 89
4.3 系統績效驗證 95
第伍章、結論與建議 99
5.1 研究結論 99
5.2 對實務界的貢獻與建議 103
5.3 研究限制與未來研究方向 106
參考文獻 107


表 次
表 2 1、電子市集的價值創造性功能與分類表 17
表 2 2、網站個人化的分類與技術層次 27
表 2 3、協同過濾之定義 32
表 2 4、隱性評比的來源 39
表 2 5、顯性評比與隱性評比的比較 40
表 2 6、漢明距離運算範例 44
表 2 7、五個主要的推薦系統的設計方式 45
表 2 8、資訊擷取系統的使用效用之衡量項目 48
表 3 1、使用者對於電子報的使用效用之問項 67
表 3 2、系統架構之理論基礎及運作方法﹕ 68
表 3 3、績效驗證方式 69
表 3 4、撮合績效驗證準則 69
表 4 1、買家A的相似買家群組 75
表 4 2、買家A的相似買家群組偏好之商品排行榜 78
表 4 3、買家A的相似買家群組偏好商品排行榜之類別分佈 81
表 4 4、買家A的相似買家群組偏好商品之相似新商品 83
表 4 5、「喚取」之分佈統計表 96
表 4 6、「使用時間」之分佈統計表 97
表 4 7、「時間價值」之分佈統計表 97
表 4 8、「問題解決」之分佈統計表 97
表 4 9、「滿意度」之分佈統計表 98
表 4 10、「整體評價」之分佈統計表 98


圖 次

圖 1 1、網站個人化的發展 5
圖 1 2、研究流程圖 9
圖 2 1、電子市集的分類架構圖 13
圖 2 2、電子市集的功能剖析圖 15
圖 2 3、個人化系統屬性分類矩陣 30
圖 2 4、協同過濾流程圖 36
圖 2 5、選擇評比方式的決策格道 38
圖 3 1、研究架構 50
圖 3 2、協同過濾式撮合機制之核心模型 52
圖 3 3、商機撮合運作流程 53
圖 3 4、計算買家群組之商品排行榜 54
圖 3 5、買家分群示意圖 55
圖 3 6、買家瀏覽商品資料示意圖 55
圖 3 7、商品評比分數的計算之示意圖 56
圖 3 8、買家群組之商品排行榜的範例 57
圖 3 9、計算商品排行榜之相似新商品 58
圖 3 10、商品分群示意圖 58
圖 3 11、商品排行榜之相似新商品示意圖 59
圖 3 12、產生推薦內容 60
圖 3 13、寄送商機撮合電子報 60
圖 3 14、買家讀取電子報 61
圖 3 15、買家讀取電子報內容示意圖 61
圖 3 16、協同過濾式撮合系統之資料流程圖 63
圖 3 17、驗證流程圖 64
圖 4 1、協同過濾式商機撮合系統-啟始畫面 72
圖 4 2、協同過濾式商機撮合系統-步驟一之一 74
圖 4 3、協同過濾式商機撮合系統-步驟一之二 77
圖 4 4、協同過濾式商機撮合系統-步驟二之一 80
圖 4 5、協同過濾式商機撮合系統-步驟二之二 82
圖 4 6、協同過濾式商機撮合系統-步驟三 84
圖 4 7、協同過濾式商機撮合系統-步驟四 86
圖 4 8、寄送程式─商機快遞(一之二) 87
圖 4 9、寄送程式─商機快遞(二之二) 88
圖 4 10、協同過濾式商機撮合系統-步驟五 90
圖 4 11、商機撮合電子報範例(商品排行榜) 91
圖 4 12、商機撮合電子報範例(相似新商品) 92
圖 4 13、登入電子市集網站 93
圖 4 14、會員點閱電子報之推薦商品所見的商品詳細內容 94
參考文獻
��英文
1.Akinyele,http://www.csee.umbc.edu/~jklabrou/courses/fall1999_691f/week10/john_akinyele_recommender_systems/491f_files/v3_document.htm, March 2002.
2.Allen, C., Kania D., and Yaeckel, B., Internet World Guide to One-To-One Web Marketing, John Wiley & Sons, 1998.
3.Anderson, P., Anderson, E., “The New E-Commerce Intermediaries”, MIT Sloan Management Review, Summer, 2002, pp. 53-62.
4.Badrul, S., George, K. , Joseph, K., and John, R., “Analysis of Recommendation Algorithm for E-Commerce,” Communication of ACM, 2000, pp.158-167.
5.Bakos, J. Y., “The emerging role of electronic marketplaces on the Internet”, Communications of the ACM, 41(8), August 1998, pp. 35-42.
6.Balabanovic, M. and Shoham, Y., “Fab: Content-Based, Collaborative Recommendation,” Communications of the ACM, 40(3), 1997, pp. 66-72.
7.Baroudi, J.J., and Orlikowski, W.J., “A Short-Form Measure of User Information Satisfaction: A Psychometric Evaluation and Note on Use,” Journal of Management Information Systems, 4(4), 1988, pp. 44-59.
8.Berghel, H.,“Email-the good, the bad, and the ugly”. Communications of the ACM, 40(4), 1997, pp. 11-15.
9.Berry, M. J. A. and Linoff, G., Data Mining Techniques: For Marketing Sale and Customer Support, John Wiley & Sons, Inc., 1997.
10.Blankenhorn, D, “E-mail flexes its marketing muscle”, Advertising Age' s Business Marketing, 82(6), July 1997, pp. 28.
11.Breese, J. S., Heckerman, D., and Kadie, C., “Empirical Analysis of Predictive Algorithm for Collaborative Filtering,” Proceedings of the 14th Conference on Uncertainty in Artificial Intelligence, 1998, pp. 43-52.
12.Chen, Ming-Syan , Jiawei H. and Philip S. Yu, “Data Mining: An Overview from a Database Perspective,” IEEE Transactions on Knowledge and Data Engineering, 8(6), December 1996, pp. 866-883.
13.Churchill, Gilbert A. , Marketing Research: Methodological Foundations, Fifth Edition. Orlando, Dryden., 1991.
14.Clark, P. and Niblett, T., “The CN2 Induction Algorithm,” Machine Learning, 3, 1989, pp. 261-283.
15.Claypool, M., Brown, D., Le, P., and Waseda, M., “Inferring User Interest,” IEEE Internet Computing, December, 2001, pp. 32-39.
16.Claypool, M., Gokhale, A., Miranda, T., Murnikov, P., D. Netes, and Sartin, M., “Combining Content-Based and Collaborative Filters in an Online Newspaper,” Proceedings of ACM SIGIR Workshop on Recommender Systems, 1999.
17.Colin G., Harrison, A., K. Caglayan, Agent sourcebook.New York : John Wiley & Sons, 1997.
18.Davis, F.D., “Perceived Usefulness, Perceived Easy of Use, and User Acceptance of Information Technology,” MIS Quarterly, 15(3), 1989, pp. 319-340.
19.Dean, R., “personalizing your web site”, http://www.builder.com/business/ personal, 1998.
20.Dhillon, N.,”Achieving Effective Personalization and Customization Using Collaborative Filtering,”http://home1.gte.net/dhillos/cf., October 1995.
21.Estivill-Castro, V. and Murray, A. T., “Spatial Clustering for Data Mining with Generic Algorithms,” Faculty of Information Management, Septemter 1997.
22.Everitt, B. S., Cluster Aanlysis, John Wiiley & Sons, Inc., 1993.
23.Goldberg,D.,”Using Collaborative Filtering to Weave An Information Tapestry,” Communications of the ACM, December 1992, pp. 61-70.
24.Goldman Sachs, “B2B:2B or Not 2B”, Goldman Sachs Investment Research, November 1999.
25.Good, N., Schafer, J.B., Konstan, J., Borchers, A., Sarwar, B., Herlocker, J., and Riedl, J.,”Combining Collaborative Filtering with Personal Agents for Better Recommendations,” Proceedings of the 1999 Conference of the American Association of Artifical Intelligence (AAAI-99), 1999, pp 439-446.
26.Han, J., Fu, Y. and Tang, S., “Advances of the DBLearn System for Knowledge Discovery in Large Databases,” Proc. of 1995 Int’l Joint Conf. on Artificial Intelligence (IJCAI’95), August, 1995, pp.2049-2050.
27.Herlocker, J. L., Konstan, J. A., Borchers, A., and Riedl, J., “An Algorithmic Framework for Performing Collaborative Filtering,” Proceedings of the 22nd International Conference on Research and Development in Information Retrieval, 1999, pp. 230-237.
28.Hers, A., and Im, I. “Finding Information Just for You: Knowledge Reuse Using Collaborative Filtering Systems,” Twenty-Second International Conference on Information Systems, 2001.
29.Heylighen , J., http://pespmc1.vub.ac.be/HEYL.html, March 2002.
30.Hill,J., Larry, Stead, Mark, R., and GeorgeFurnas , “Recommending and Evaluating Choices in A Virtual Community of Use,” In Proceedings of ACM CHI'95 Conference on Human Factors in Computing Systems, 1995, pp.194-201.
31.Jain, A. K. and Dubes, R. C., Algorithms for Clustering Data, Prentice Hall, 1988.
32.Johathan L.,Herlocker, J., Konstan, J., and Riedl, J.,"Explaining Collaborative Filtering Recommendations," ACM 2000 Conference on Computer Supported Cooperative Work , December 2000.
33.Kaplan, S. and Sawhney, M., "E-Hubs : the new B2B Marketplace", Harvard Business Review, May-June 2000, pp. 97-103.
34.Karypis, G. “Evaluation of Item-Based Top-N Recommendation Algorithm,” http://citeseer.nj.nec.com/karypis00evaluation.html, 2000.
35.Kaufman, L. and Rousseeuw, P.J., Finding Groups in Data: An Introduction to Cluster Analysis, John Wiley & Sons, Inc., 1990.
36.Kautz, H., Selman, B., and Shah, M.,“Referral Web: Combining Social Networks and Collabarative Filtering,” Communications of the ACM, 40(3), 1997, pp. 63-650.
37.Konstan, J., Miller, B., Maltz, D., Herlocker, J., Gordon, L., and Riedl, J..”GroupLens: Applying Collaborative Filtering to Usenet News,” Communications of the ACM ,40(3), 1997, pp.77-87.
38.Konstan, J., Miller, B., Maltz, D., Herlocker, J., Gordon, L., and Riedl, J..”GroupLens: Applying Collaborative Filtering to Usenet News,” Communications of the ACM ,40(3), 1997, pp.77-87.
39.Lorrie, A.. “The electronic newspaper of the future, rational, design, and implication”, http://cec.wustl.edu/cs142/articles/misc/publishing/electronic_ newspapers/, 1992.
40.Mobasher, B., Colley, R., Srivastava, J. ,”Automatic Personalization Based on Web Usage Mining”, Communication of The ACM, August 2000, pp.142-151.
41.Ng, R. and Han, J., “Efficient and Effective Clustering Methods forSpatial Data Mining,” Proceedings of the 20th Conference on Very Large Data Bases, 1994.
42.Nichols, D.M.,“Implicit Rating and Filtering,” Fifth DELOS Workshop on Filtering and Collaborative Filtering, Budapest, November 1997.
43.O'Connor, M. and Herlocker, J., “Clustering Items for Collaborative Filtering”, Workshop on Recommender System: Algorithms and Evaluation, 1999.
44.Palme, J.,"Choice in the Implementation of Rating," Fifth DELOS Workshop on Filtering and Collaborative Filtering, November 1997.
45.Quinlan, J. R., “Induction of Decision Tree,” Machine Learning, 1(1), 1986, pp.81-106.
46.Resnick, P., ”Recommender systems,” Communications of the ACM, 40(3), March 1997; pp. 56-58.
47.Resnick, P., Iacovou, N., Sushak, M., Bergstrom, P., and Riedl, J.,”GroupLens: An Open Architecture for Collaborative Filtering of Netnews,” Proceedings of the 1994 Computer Supported Collaborative Work Conference, 1994.
48.Rucker, J., Polanco, M. J., “Siteseer: Personalized Navigation for the Web,” Communications of the ACM, 40(3), 1997, pp. 73-76.
49.Saracevic, T., and Kantor, P., “A Study in Information Seeking and Retrieving. II. User, Questions and Effectiveness,” Journal of the American Society for Information Science, 39(3), 1998, pp. 176-195.
50.Saracevic, T., Kantor, P., Chamis, A.Y., and Trivision, D., “A Study in Information Seeking and Retrieving. I. Background and Methodology,” Journal of the American Society for Information Science, 39(3), 1998, pp. 161-175.
51.Sarwar, B. M., Karypis, G., Konstan, J. A., and Riedl, J. “Application of Dimensionality Reduction in Recommender System -- A Case Study,” ACM WebKDD 2000 Web Mining for E-Commerce Workshop, 2000.
52.Sarwar, B., Konstan, J., Borchers, A., Herlocker, J., Miller, B., and Riedl, J.,”Using Filtering Agents to Improve Prediction Quality in the GroupLens Research Collaborative Filtering System,“ Proceedings of the 1998 Conference on Computer Supported Cooperative Work, November 1998.
53.Schafer, J.B., Konstan, J., and Riedl, J., “Recommender Systems in E-Commerce,” Proceedings of the ACM Conference on Electronic Commerce, November 1999.
54.Schafer, J.B., Konstan, J., and Riedl, J.,”Electronic Commerce Recommender Applications,” Journal of Data Mining and Knowledge Discovery, 5, 2000, pp. 115-152.
55.Shardanand, Upendra and Maes P., “Social Information Filtering: Algorithms for Automating ‘Word of Mouth,’” Proc. CHI 95, ACM Press, 1995, pp. 210-217.
56.Sproull , L; Kiesler,S., “Connections : new ways of working in the networked organization”, 4th, Sabon:MIT, Appendix., 1994, pp. 177-184.
57.Tatemrua, Junichi and Keisuke Suzuki, “Design Discovery for Social Recommendation of Web Graphics,” IEEE International Conference on Systems, Man, and Cybernetics, 1, 2000, pp. 49-54.
58.Terveen, L., Hill, W., Amento, B., McDonald, D., and Creter, J.,”PHOAKS: A System for Sharing Recommendations,” Communications of the ACM, 40(3), 1997, pp. 59- 62.
59.Vandermerwe, Sandra, “How Increasing Value to Customers Improves Business Results", Sloan Management Review, 42(1), 2000, pp. 27-37.
60.Ward, H., Internet Marketing, 2000, 中譯本﹕網際網路行銷, 季延平譯, 2000年
61.Wei, C. P., Hu, P. J-H. and Kung, L. M., “Multiple-Level Clustering Analysis for Data Mining Applications,” Proceedings of 4th Informs Joint Conference on Information Systems and Technology, May 1999.
62.Wei, S., Zhang, J. and Li, Z., “A Sipplier-Selection System Using a Neural Network,” Intelligent Processing Systems, IEEE International Conference on ICIPS '97, 1, 1997.
63.Weller, T.C. , BtoB eCommerce - The Rise of eMarketplaces, Legg Mason Equity Research, Spring 2000.
64.Yu, Philip S., “Data Mining and Personalization Technologies,” Proceedings of the International Conference on Database Systems for Advanced Applications, April 1999, pp. 6-13.
65.Zhang, T., Ramarkrishnan, R. and Livny, M., “BIRCH: An Efficient Data Clustering Method for Very Large Database,” Proceedings of the ACM SIGMOD International Conference on Management of Data, 1996.



��中文
1.IBM,「資料探挖-找出隱藏在資料庫中的寶藏」,資訊傳真周刊,256期,1997年8月,pp.24。
2.TradeFind,企業生機再現 – 電子市集之風起雲湧,華彩軟體,2001年
3.王勝宏,「入口網站之顧客認知價值、產品組合特性、與客製化策略關係之研究」, 國立政治大學企研所未出版之碩士論文,2000年6 月。
4.台灣商業網,企業生機再現 – 電子市集之風起雲湧,華彩軟體,2001年
5.周晉生,台灣電子報,台北:風雲論壇,1998年。
6.洪懿妍,「網路使用者對電子報的認知圖像─以交大資科BBS站為例」,政治大學新聞研究所碩士論文,1997年。
7.張家琪,「電子報的發展與問題」,新聞鏡週刊,346:30,1995年。
8.張勳騰,「通信資料庫之資料探勘:目標行銷之應用」,國立中山大學資訊管理研究所碩士論文,1999年
9.張瀚仁,「個人化技術對虛擬社群發展之影響」,政治大學資訊管理研究所未出版之碩士論文,2000年6 月。
10.許哲銘,「時間序列型態之知識探索」,國立中山大學資訊管理研究所碩士論文,1999年
11.陳文華,「應用資料倉儲系統建立CRM」,資訊與電腦,1999年5月,pp.122-127。
12.陳世運,「賣擱寄啦!好嗎?」,http://www.find.org.tw/0105/cooperate /cooperate_friendly_print.asp?id=14,2001年
13.陳均碩,「農業電子報使用者動機、行為與滿足程度之研究-以資策會「臺灣農業資訊網(TAIS)電子報」為例」,台灣大學農業推廣學研究所碩士論文,2000年。
14.陳彥豪,「將你的心情接在我的網路上:電腦資訊網路的電子報業初探」,台灣大學新聞研究所碩士論文,1995年。
15.陳慶鴻,「廣告呈現方式對廣告效果之影響—以電子報廣告為例-」,中原大學資訊管理學研究所未出版之碩士論文,2002年。
16.彭玫瑜,「中時電子報正與Yahoo、CINET洽談新聞內容交換」,電腦家庭PC Home,http://www.pchome.com.tw,1998年。
17.馮文正,「合作式網站推薦系統」,交通大學資訊科學系碩士論文,2001年。
18.黃淑如,「電子郵件系統探討」,商業職業教育季刊,1997年。
19.黃翔祺,「全美15%的電子行銷郵件未正確傳遞」,www.find.org.tw,2003年。
20.楊忠川,「資訊、傳播、通訊業整合下的新趨勢:電子出版業」,教學科技與媒體,1996年。
21.楊智元,「符合使用者個人喜好需求的入口網站介面之研究」,大葉大學資訊管理研究所未出版之碩士班論文,2001年6 月。
22.葉怡成,類神經網路模式應用與實作,儒林圖書有限公司,1998年1月。
23.廖婉菁,「應用協同過濾機制於商品推薦之研究-以手機網站為例」,中原大學資訊管理學研究所未出版之碩士論文,2002年。
24.廖惠滄, 「國內B2B入口網站龍頭 久大資訊 申請登錄興櫃 股票 每股盈餘為1.02元」,鑫報,2002年六月。
25.劉本炎,「下一個世代的媒體—電子報」,新聞鏡週刊,1997年,442:38-47。
26.劉芳梅,「電子郵件使用量仍將大幅增加」,www.find.org.tw,2002年
27.劉慧君,「電子報新聞資訊圖片呈現方式與閱聽人認知型態對閱讀成效、閱報時間與使用態度之影響」,交通大學傳播研究所碩士論文,1998年。
28.潘明君, 「美國電子郵件成企業廣告行銷利器」,http://www.find.org.tw /0105/news/0105_news_friendly_print.asp?news_id=1484,2001年
29.潘明君,「Email、網路新聞高居網友上網活動前二名」,http://www.find.org.tw /0105/news/0105_news_friendly_print.asp?news_id=175,1999年
30.潘明君,「利用電子郵件廣告行銷可行與否?」,http://www.find.org.tw /0105/focus/0105_focus_friendly_print.asp?focus_id=203,2001年
31.潘明君,「美國電子郵件成企業廣告行銷利器」,http://www.find.org.tw /0105/news/0105_news_friendly_print.asp?news_id=1484,2001年
32.潘明君,陳怡伶,「電子郵件市場前景可期」http://www.find.org.tw /0105/news/0105_news_friendly_print.asp?news_id=1082, 2000年
33.潘明君「2004年美國電子郵件市場產值達48億美金」, http://www.find.org.tw /0105/news/0105_news_friendly_print.asp?news_id=705, 2000年
34.潘明君「全球Email帳號數達4億3,500萬」,http://www.find.org.tw /0105/news/0105_news_friendly_print.asp?news_id=509,1999年
35.蔡鳳月,「影響電子郵件實施成效之因素」,交通大學管理科學研究所碩士論 文,1996年。
36.羅健銘,「協同過濾於網站推薦之研究」,台北科技大學商業自動化與管理研究所碩士論文,2001年。
37.龔良明,「衍生性群集分析方法之探訂:理論與應用」,國立中山大學資訊管理研究所碩士論文,1998年。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top