臺灣博碩士論文加值系統

觀察實務環境，雖然許多電子商務網站已成功利用推薦系統及其機制創造商機與競爭優勢，但是推薦系統的研究似乎都沒有充分強調並反映出商務部分的特色與議題，Haubl & Murray(2005)認為，推薦系統(推薦代理人)基本上扮演著雙重角色，一面協助顧客，一方面則是影響改變顧客的決策。既然推薦系統被認為是解決電子商務環境下資訊超載、有效協助顧客制定購買決策的利器的話，應從消費者決策面切入，以獲得提升推薦系統績效與能力之線索。

本研究試圖以消費者決策的角度重新思考推薦系統績效之議題，特別是運用在電子商務環境中的推薦系統，探討並了解「推薦策略」與「推薦資訊」對於「推薦績效」的不同影響？而在網站經營業者有其考量下，必須採用某些「特定的推薦策略」來服務顧客時，是否能利用「特定的推薦資訊」配合來提升推薦的績效？根據實地實驗資料分析，歸納出以下的研究結論：
一、 「顧客導向」與「市場導向」推薦策略，對消費者的需求具有高「命中度」，同時推薦的手機使消費者具有高「購買意願」。由此可證推薦系統的演算法以及使用的資料集，將對推薦績效有絕對影響力。

二、 不同「推薦策略」或是「推薦資訊」對「滿意度」的影響並不顯著。適當地與適量地給予消費者所需的資訊，使其更容易地作出購買決策，避免自行收集並評估大量資訊而產生「資訊超載」的狀況，對其資訊蒐集上產生一定程度的幫助，自然而然消費者對的滿意度就會正向提高許多。

三、 「專家測試報告」有助於「命中度」的提升；而「討論區文章」效果最差。網路商店經營者在其網路購物環境的建置中，提供推薦資訊是且必要的但是在資訊的類型則必須有選擇考量。

本研究除了提供上述建議给網站經營業者參考，在研究貢獻部份除了驗證不同推薦策略與推薦資訊對推薦績效的影響之外，同時也建議了適用於資訊提供型網站的推薦機制，此外也補強了推薦系統在消費者決策相關研究的領域，提供後續推薦系統研究者一個不同的研究方向。

Observed the actual practice circumstance, most of the large e-commerce websites, such as Amazon.com, have successfully adopted the recommender system and its mechanism to initiate business opportunities and competitive edges. However, it seems that until now past researches about the recommender system do not fully emphasize and reflect issues in commerce. Haubl & Murray (2005) pointed out that the recommender system (or recommender agents) basically plays a dual role. It not only assists the consumers but also affect their purchasing decisions. Since recommender systems are regarded as the best tool to solve information overloading and help consumers to make effective purchasing decisions. It is possible to discover new ideas of performance promotion.
From perspective of consumer purchasing decision stages, our research tries to aim at the issue of the performance of the recommender system; especially those utilized in e-commerce environment. We try to understand influence of different recommendation strategies and information on recommendation performance. Also we try to find out if there existed any manners to utilize specific recommendation information to perform better result when proprietors have there own specific recommendation strategies. Based on statistics of field experiment, the results are as followings:
1. The “costumer-oriented” and “market-oriented” recommendation strategies perform high “precision” and result in higher purchasing intension. This shows the algorithm of the recommender system and the dataset have absolute influence on the recommendation performance.
2. There is no significant difference on the influence of different “recommender strategy” or “recommender information” to satisfaction. Appropriately and suitably provide recommender information for the consumers will help them to make purchasing decisions more easily. By this way, consumers could avoid facing information overloading led from information collected and evaluation and spontaneously prompt the satisfaction to the positive quadrant.
3. “Experts testing reports” helps to raise the satisfaction, but on the contrary, the “articles adopted from the forum” result worst. It is absolute necessary and essential to provide recommendation information in the online shopping environment. However proprietors have to be cautious about the information type they offering.
The research gives suggestions to website proprietors as reference. In the research contribution, the results of the influence of different “recommender strategy” or “recommender information” to effects are tested and verified as well as suggests the recommender mechanism for the informative website. Besides, the research also renews the domain of the recommender system and consumers’ decision, and supplies follow-up researchers a distinct object of study.

目 錄
第1章 緒論 - 12 -
1.1 研究背景與動機 - 12 -
1.2 研究目的與問題 - 16 -
1.3 論文結構 - 16 -
第2章 文獻探討 - 17 -
2.1 推薦系統 - 17 -
2.1.1 何謂推薦系統 - 17 -
2.1.2 推薦系統與電子商務 - 24 -
2.2 協同過濾機制 - 27 -
2.2.1 何謂協同過濾 - 27 -
2.2.2 協同過濾運作機制 - 30 -
2.2.3 協同過濾的優缺點與解決方法 - 31 -
2.3 消費者決策 - 34 -
2.3.1 購買決策資訊來源 - 34 -
2.3.2 參考群體與口碑行銷 - 35 -
2.4 小結 - 36 -
4. 研究模型與方法 - 38 -
2.5 研究模型 - 38 -
2.6 研究假說 - 39 -
2.7 研究變項之定義及操作化 - 40 -
2.7.1 自變項部分 - 40 -
2.7.2 應變項部分 - 48 -
2.8 研究設計 - 51 -
2.8.1 研究方法 - 51 -
2.8.2 實驗組合 - 51 -
2.8.3 合作對象 - 54 -
2.8.4 實驗樣本 - 55 -
2.8.5 實驗主題 - 55 -
2.8.6 實驗系統說明 - 55 -
2.8.7 資料收集程序 - 58 -
第3章 資料分析與假設檢定 - 64 -
3.1 資料分析方法 - 64 -
3.2 實驗樣本說明 - 64 -
3.3 統計資料分析 - 66 -
3.3.1 命中度分析 - 66 -
3.3.2 滿意度 - 73 -
3.3.3 購買意願 - 80 -
3.3.4 小結 - 87 -
第4章 結論與建議 - 88 -
4.1 研究結果與討論 - 88 -
4.1.1 「推薦策略」對「推薦績效」之影響 - 88 -
4.1.2 「推薦資訊」對「推薦績效」影響討論 - 90 -
4.2 對實務界的建議 - 92 -
4.3 研究貢獻 - 93 -
4.4 研究限制與未來研究方向 - 93 -
參考文獻 96
表 目 錄
表 2 1協同過濾之定義 - 28 -
表 2 2解決協同過濾問題的方法 - 33 -
表 3 1推薦策略之定義 - 44 -
表 3 2推薦資訊之定義 - 47 -
表 3 3推薦績效之定義 - 50 -
表 3 4 應變項衡量操作化-問卷 - 50 -
表 3 5所有實驗組合 - 53 -
表 4 1 實驗樣本分配表 - 65 -
表 4 2命中度的敘述統計結果 - 66 -
表 4 3在命中度的變異數分析摘要 - 70 -
表 4 4推薦策略對命中度的多重比較表 - 71 -
表 4 5推薦資訊對命中度的多重比較表 - 72 -
表 4 6 推薦策略在命中度的同質子集分析 - 73 -
表 4 7 推薦資訊在命中度的同質子集分析 - 73 -
表 4 8滿意度的敘述統計結果 - 74 -
表 4 9滿意度的變異數分析摘要 - 77 -
表 4 10推薦策略對滿意度的多重比較表 - 77 -
表 4 11推薦資訊對滿意度的多重比較表 - 79 -
表 4 12 推薦策略在滿意度的同質子集分析 - 79 -
表 4 13 推薦資訊在滿意度的同質子集分析 - 79 -
表 4 14購買意願的敘述統計結果 - 80 -
表 4 15購買意願的變異數分析摘要 - 83 -
表 4 16推薦策略對購買意願的多重比較表 - 84 -
表 4 17推薦資訊對購買意願的多重比較表 - 85 -
表 4 18 推薦策略在購買意願的同質子集分析 - 87 -
表 4 19 推薦資訊在購買意願的同質子集分析 - 87 -
表 4 20 假說驗證結果彙整 - 87 -



圖 目 錄
圖 1 1 2001-2005 年我國B2C 線上購物市場現況及發展趨勢 - 13 -
圖 2 1 推薦系統應用架構 - 19 -
圖 2 2協同過濾流程圖 - 30 -
圖 3 1研究模型 - 39 -
圖 3 2經營者導向推薦例 - 42 -
圖 3 3專家推薦例 - 43 -
圖 3 4市場導向推薦例 - 44 -
圖 3 5產品資訊例 - 47 -
圖 3 6 活動首頁 - 59 -
圖 3 7 活動頁面-瀏覽手機 - 60 -
圖 3 8 活動頁面-推薦手機以及推薦資訊 - 61 -
圖 3 9 活動頁面-填寫線上問卷 - 62 -
圖 3 10 活動頁面-填寫個人資料 - 63 -
圖 4 1不同「推薦策略」在不同「推薦資訊」命中度的表現 - 68 -
圖 4 2 總共二十組的交互作用在命中度的表現 - 69 -
圖 4 3不同「推薦策略」在不同「推薦資訊」滿意度的表現 - 75 -
圖 4 4 總共二十組的交互作用在滿意度的表現 - 76 -
圖 4 5不同「推薦策略」在不同「推薦資訊」購買意願的表現 - 81 -
圖 4 6 總共二十組的交互作用在購買意願的表現 - 83 -

中文部份：
1.王竹君，民國90 年。（http://www.isurvey.com.tw/servlet/isurvey.Globe_Article_detail）
2.吳肇銘、吳晨帆，「推薦系統採用因素之研究」，2004年國際資訊管理暨電子商務經營管理研討會，民國九十三年。
3.吳肇銘、吳晨帆，「購買決策階段判斷方法與推薦演算方法對適性化推薦系統績效影響之研究」，第十屆資訊管理暨實務研討會，民國九十三年。
4.邱永祥，「運用類神經網路與資料探勘技術於網路教學課程推薦之研究」，朝陽科技大學資訊管理研究所，碩士論文，中華民國九十二年六月六日。
5.高振智，「以消費者購買決策為基礎之適性化推薦系統」，中原大學資訊管理研究所，碩士論文，民國92年。
6.陳素汝，「網際網路上搜尋行為之分析與實驗」，中原大學國際貿易研究所，碩士論文，民國九十二年七月。
7.財團法人資訊工業策進會、台灣科技大學資訊管理學系，「 93年B2C電子商店經營調查統計報告」，民國九十三年十月。
8.創市際，「2004台灣網路生活型態調查報告」，資策會電子商務研究所，2005。（http://www.find.org.tw/0105/cooperate/makeworld.asp）
9.楊國樞、文崇一、吳聰賢、李亦園，「社會及行為科學研究法－上冊」，東華書局，民國八十九年。
10.經濟部商業司，「2003-2004中華民國電子商務年鑑」，民國九十三年十月。
11.資策會推廣處網際網路資訊情報中心(FIND)，民國九十二年。
（http://www.find.org.tw/）
12.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」，中原大學資訊管理研究所，碩士論文，民國90年。
13.劉韋緒，「資訊代理人應用於行動化顧客關係管理之研究」，中原大學資訊管理研究所，碩士論文，民國90年。
14.蕃薯藤，2003。
（http://survey.yam.com/survey2003/chart/preview.php?fid=b_22）
15.謝千之，「產品資訊情境、參考價格與知覺品質對消費者購買行為之影響」，東吳大學企業管理學系，碩士論文，民國八十九年。
16.魏錫鈴(2000)，「行動電話消費者購買行為及其市場區隔之研究---以北部地區居民為例」，國立交通大學經營管理研究所碩士論文。
17.王嘉鵬(2001)，「以生活型態區隔之台北市民對第三代行動電話接受意願之研究」，國立交通大學經營管理研究所碩士論文。
18.顏承章(2002)，「大學生生活型態及其資訊搜尋行為之研究―以手機產品資訊為例」，中國文化大學資訊傳播研究所碩士論文。
19.邱毓蘋(2000)，「資訊豐富度對網路購物意願之研究」，國立交通大學傳播所碩士論文。
英文部份：
1.A. Grasso, Jean-Luc Meunier and C. Thompson, “Augmenting Recommender Systems by Embedding Interfaces into Practices”, Proceedings of the 33rd Hawaii International Conference on System Sciences, 2002, pp. 1-9.
2.B. M. Sarwar, G. Karypis, J. A. Konstan and J. Riedl, “Analysis ofRecommender Algorithms for E-Commerce”, ACM E-Commerce 2000 Conference, 2000.
3.B. M. Sarwar, G. Karypis, J. A. Konstan and J. Riedl, “Application of Dimensionality Reduction in Recommender System -- A Case Study”, ACM WebKDD 2000 Web Mining for E-Commerce Workshop, 2000.
4.B. Sarwar, J. Konstan, A. Borchers, J. Herlocker, B. Miller and J. Riedl, ”Using Filtering Agents to Improve Prediction Quality in the GroupLens Research Collaborative Filtering System”, Proceedings of the 1998 Conference on Computer Supported Cooperative Work, 1998.
5.C. Hayes, P. Massa, P. Avesani, and P. Cunningham, “An on-line evaluation framework for recommender systems”, Workshop on Recommendation and Personalization Systems, 2002.
6.D. Cosley, S. K. Lam, I. Albert, J. A. Konstan, and John Riedl, “”, Ft. Landerdale, Florida, USA, 2003, Vol. 5, pp.585-592.
7.D. J. A. Somefun and J.A. La Poutre, “Bundling and Pricing for Information Brokerage: Customer Satisfaction as a Means to Profit Optimization”, IEEE, F. 2003.
8.D. Lemire, ”Scale And Translation Invariant Collaborative Filtering Systems”, Information Retrieval, 2004.
9.F. Ricci, ”Travel recommender systems”, IEEE Intelligent Systems, 2002, pp. 55-57.
10.Haubl, G. & Murray, K. B. (2005). Personalized product recommendations and consumer purchase decisions [position paper]. Beyond Personalization 2005: A Workshop on the Next Stage of Recommender Systems Research. International Conference on Intelligent User Interfaces (IUI 2005), San Diego, California, January 9-12, 2005.
11.Holbrook and Kim P. Corfman, “Quality and Value in the Consumption Experience: Phaedrus Rides Again”, in Perceived Quality, J. Jacoby and J. Olson, eds. Lexington, MA Lexington Books, 1985, pp. 31-57.
12.Jan Blom, “A Theory of Personalized Recommendations”, HCI 2002 Minneapolis, Minnesota, USA, 2002, pp. 540-541.
13.J. B. Schafer, J. Konstan, J. Riedl, “Recommender Systems in E-Commerce”, Proceedings of the ACM Conference on Electronic Commerce, 1999.
14.J.B. Schafer, J. Konstan and J. Riedl, “Recommender Systems inE-Commerce,” Proceedings of the ACM Conference on Electronic Commerce, 1999.
15.J. B. Schafer, J. Konstan, J. Riedl, ”Electronic Commerce Recommender Applications,” Journal of Data Mining and Knowledge Discovery, 2000, vol. 5, pp. 115-152.
16.J. Canny, ”Collaborative Filtering with Privacy”, Proceedings of the 2002 IEEE Symposium on Security and Privacy, 2002, pp. 45.
17.J. Engel, F. James, D. Roger, K. Blackwell and W. Paul, “Miniard,Consumer Behavior”, 7th edition,1993.
18.J. L. Herlocker, Joseph A. Konstan and John Riedl, “Explaining Collaborative Filtering Recommendations”, Proceedings of the ACM, 2000, pp. 241-250.
19.J. L. Herlocker, J. A. Konstan, Loren G. Terveen, and John T. Riedl, “Evaluating Collaborative Filtering Recommender Systems”, ACM Transactions on Information Systems, 2004, Vol. 22, pp. 5-53.
20.J. Palme, ”Choice in the Implementation of Rating,” Fifth DELOS Workshop on Filtering and Collaborative Filtering, Budapest, Hungary, 1997.
21.K. Swearingen and R. Sinha, “Beyond Algorithms: An HCI Perspective on Recommender Systems”, ACM Workshop on Recommender Systems, 2001.
22.K. Swearingen and R. Sinha, “Interaction Design for Recommender Systems”, Designing Interactive Systems, 2002.
23.M. Bilgic and R. J. Mooney, “Explaining Recommendations: Satisfaction vs. Promotion”, San Diego, California, USA, 2005.
24.N. Dhillon, ”Achieving Effective Personalization and Customization Using Collaborative Filtering”, 1995.
( http://home1.gte.net/dhillos/cf)
25.Peter, J. Paul and Jerry C. Olson, “Consumer Behavior and Marketing Strategy,” 2nd edition, 1990.
26.P. Resnick, ” Recommender systems,” Association for Computing Machinery”, Communications of the ACM, New York, Vol. 40, 1997, pp. 56-58.
27.P. Resnick, N. Iacovou, M. Sushak, P. Bergstrom and J. Riedl,”GroupLens:An Open Architecture for Collaborative Filtering of Netnews”, Proceedings of the 1994 Computer Supported Collaborative Work Conference,1994.
28.P. Melville, R.J. Mooney and R. Nagarajan, ”Content-boosted collaborative filtering for improved recommendations”, Proc. of the 18th National Conference on Artificial Intelligence, 2002.
29.Paolo Massa, Bobby Bhattacharjee, “Using Trust in Recommender Systems: An Experimental Analysis”, Trust Management, Second International Conference, iTrust 2004, Oxford, UK, March 29 - April 1, 2004, Proceedings. 221-235
30.R. Sinha and K. Swearingen, “Comparing Recommendations Made by Online Systems and Friends”, Personalization and Recommender Systems in Digital Libraries, 2001.
31.S. K. Lam and John Riedl, “Shilling Recommender Systems for Fun and Profit”, Proceedings of the 13th conference on World Wide Web, 2004, pp. 393-402.
32.S. Senecal and J. Nantel, “The influence of online product recommendations on consumers’ online choices”, Journal of Retailing, 2004, pp. 159-169.
33.S. Spiekermann, “Product Context in EC Websites: How Consumer Uncertainty and Purchase Risk Drive Navigational Needs”, Proceedings of the 5th ACM conference on Electronic commerce, 2004, pp. 200-207.
34.S. W. Changchien, Chin-Feng Lee and Yu-Jung Hsu, “On-line personalized sales promotion in electronic commerce”, Expert Systems with Applications, 2004, pp. 35-52.
35.T. Saracevic and P. Kantor, “A Study in Information Seeking and Retrieving. II.User, Questions and Effectiveness”, Journal of the American Society forInformation Science, 1998, pp.176-195.
36.W. Harold Berkman and Christopher Gilson, ”Consumer Behavior-concepts and strategies”, 3rd edition, 1986.
37.W. Douglas and M. Gary, ”A Conceptual Framework for Text Filtering”, Medical Informatics and Computational Intelligence Laboratory Electronical Engineering Departmen, 1996.