應(yīng)用社會(huì)網(wǎng)路分析於學(xué)術(shù)社群推薦課件

1大綱緒論相關(guān)文獻(xiàn)研究方法系統(tǒng)發(fā)展與實(shí)證分析結(jié)論與建議1大綱緒論2緒論2緒論3研究背景與動(dòng)機(jī)資訊過載(InformationOverload)搜尋引擎與推薦系統(tǒng)的出現(xiàn)，成為改善資訊過載問題的兩大利器使用者除了本身的主觀喜好之外，其行為容易受到人際關(guān)係的影響虛擬社群與社會(huì)網(wǎng)路，成為許多使用者獲得資訊情報(bào)的最佳來源本研究探討如何運(yùn)用社會(huì)網(wǎng)路提升資訊推薦的品質(zhì)3研究背景與動(dòng)機(jī)資訊過載(InformationOverl4研究目的本研究希望透過主題概念萃取與社會(huì)網(wǎng)路分析，建構(gòu)資訊推薦系統(tǒng)，藉此達(dá)到以下的目標(biāo)：主題概念萃取：萃取出文件中的重要關(guān)鍵字利用關(guān)鍵字分群的方式，達(dá)到主題概念萃取的目的，藉以瞭解使用者所關(guān)注的興趣與議題形成主題社群以向量空間模型表示使用者的個(gè)別興趣，並結(jié)合使用者社會(huì)網(wǎng)路，將相似度高且具有相同主題興趣的使用者群聚在一起，以形成主題社群資訊推薦經(jīng)由主題社群的產(chǎn)生，針對(duì)使用者個(gè)人的主題偏好，進(jìn)行個(gè)人化推薦4研究目的本研究希望透過主題概念萃取與社會(huì)網(wǎng)路分析，建構(gòu)資訊5相關(guān)研究5相關(guān)研究6社會(huì)網(wǎng)路分析社會(huì)網(wǎng)路分析(SocialNetworkAnalysis)是一種研究社會(huì)結(jié)構(gòu)、組織系統(tǒng)、人際關(guān)係、團(tuán)體互動(dòng)的概念與方法，是在社會(huì)計(jì)量學(xué)基礎(chǔ)上所發(fā)展出來的分析方法社會(huì)網(wǎng)路分析研究領(lǐng)域中，最著名的理論之一為「六度分隔」理論[40]最初利用信件傳遞實(shí)驗(yàn)，發(fā)現(xiàn)從寄件者到收件者之間，平均轉(zhuǎn)寄了六次指互不相干的兩個(gè)人，最多可經(jīng)由五個(gè)中介者連結(jié)出某種關(guān)係6社會(huì)網(wǎng)路分析社會(huì)網(wǎng)路分析(SocialNetworkA7社會(huì)網(wǎng)路示意圖/wiki/Social_network

7社會(huì)網(wǎng)路示意圖http://en.wikipedia.or8社會(huì)網(wǎng)路分析(Cont.)在社會(huì)網(wǎng)路分析中，個(gè)別行動(dòng)者的量測(cè)指標(biāo)主要有以下三項(xiàng)[21]：Degree—numberofdirectconnections

Betweenness—roleofbrokerorgatekeeperClosenessCentrality—whohastheshortestpathtoallothers8社會(huì)網(wǎng)路分析(Cont.)在社會(huì)網(wǎng)路分析中，個(gè)別行動(dòng)者的量9ClusteringAlgorithmPartitioningmethodsk-MeansHierarchicalmethodsAgglomerativeDivisiveModel-basedmethodsSelf-OrganizingMap9ClusteringAlgorithmPartition10ClusteringAlgorithm(續(xù))Partitioningmethodsk-MeansHierarchicalmethodsAgglomerativeDivisiveModel-basedmethodsSelf-OrganizingMap10ClusteringAlgorithm(續(xù))Part11ClusteringAlgorithm(續(xù))Partitioningmethodsk-MeansHierarchicalmethodsAgglomerativeDivisiveModel-basedmethodsSelf-OrganizingMap11ClusteringAlgorithm(續(xù))Part12推薦系統(tǒng)推薦系統(tǒng)的目的是從大量資訊中找出使用者最可能感興趣的部份，減少使用者主動(dòng)搜尋的機(jī)會(huì)成本目前常應(yīng)用在推薦系統(tǒng)的方法主要有兩種內(nèi)容導(dǎo)向(Content-based)式推薦協(xié)同過濾(CollaborativeFiltering)式推薦12推薦系統(tǒng)推薦系統(tǒng)的目的是從大量資訊中找出使用者最可能感興13資訊檢索—向量空間模型Thevectormodelranksthedocumentsaccordingtotheirdegreeofsimilaritytothequery,andretrievethedocumentswithadegreeofsimilarityaboveathresholdDefineWeightwi,j

associatedwithapair(ki,dj)ispositiveandnon-binary

(tisthetotalnumberofindexterms)Theindextermsinthequeryarealsoweightedwi,qistheweightassociatedwiththepair[ki,q],wherewi,q>=0(tisthetotalnumberofindexterms)Degreeofsimilarityofdjwithregardtoq:Thecosineoftheanglebetweenthetwocorrespondingvectors13資訊檢索—向量空間模型Thevectormodel14資訊檢索—向量空間模型圖示NormalizedTerm-documentmatrix14資訊檢索—向量空間模型圖示NormalizedTerm-15資訊檢索—向量空間模型圖示15資訊檢索—向量空間模型圖示16研究方法16研究方法17語料庫本研究以交通大學(xué)機(jī)構(gòu)典藏系統(tǒng)[38]所收集的期刊論文做為語料庫選取標(biāo)題(Title)、摘要(Abstract)、關(guān)鍵字(Keyword)及作者(Author)欄位做為資料來源.tw

系統(tǒng)雛型展示17語料庫本研究以交通大學(xué)機(jī)構(gòu)典藏系統(tǒng)[38]所收集的期刊18前置處理斷詞切字(Tokenization)與小寫化(Lowercasing)刪除停用字(StopwordRemoving)詞性標(biāo)記(Part-of-speech)片語化(Chunking)詞幹還原(Stemming)特徵選擇(FeatureSelection)18前置處理斷詞切字(Tokenization)與小寫化(L19Somecombinatorialcharacteristicsofmatrixmultiplicationonregulartwo-dimensionalarraysarestudied.Fromthestudies,theauthorsareabletodesignmanyefficientvarietiesofthecylindricalarrayandthetwo-layeredmesharrayformatrixmultiplication.somecombinatorialcharacteristicsofmatrixmultiplicationonregulartwo-dimensionalarraysarestudiedfromthestudiestheauthorsareabletodesignmanyefficientvarietiesofthecylindricalarrayandthetwo-layeredmesharrayformatrixmultiplicationsomecombinatorialcharacteristicsofmatrixmultiplicationonregulartwo-dimensionalarraysarestudiedfromthestudiestheauthorsareabletodesignmanyefficientvarietiesofthecylindricalarrayandthetwo-layeredmesharrayformatrixmultiplicationcombinatorialcharacteristicsmatrixmultiplicationregulartwo-dimensionalarraysstudiedstudiesauthorsdesignefficientvarieties

cylindricalarraytwo-layeredmesharraymatrixmultiplicationcombinatorial_jjcharacteristics_nnsmatrix_nnmultiplication_nnregular_jjtwo-dimensional_jjarrays_nnsstudied_vbnstudies_nnsauthors_nnsdesign_vbefficient_jjvarieties_nnscylindrical_jjarray_nntwo-layered_jjmesh_nnarray_nnmatrix_nnmultiplication_nn前置處理(續(xù))19Somecombinatorialcharacter20主題關(guān)鍵字分群使用者模型計(jì)算語意相關(guān)度建立語意網(wǎng)路圖關(guān)鍵字分群關(guān)鍵字分群標(biāo)記20主題關(guān)鍵字分群使用者模型21使用者模型採用TF-IAF(TermFrequency-InverseAuthorFrequency)[30]來衡量使用者與關(guān)鍵字間的關(guān)聯(lián)計(jì)算完TF-IAF後，每個(gè)使用者皆可以向量的形式來呈現(xiàn)21使用者模型採用TF-IAF(TermFrequenc22計(jì)算語意相關(guān)度本研究以句子為範(fàn)圍，即兩個(gè)關(guān)鍵字在同一句子內(nèi)出現(xiàn)才表示其具有語意相關(guān)度。透過增加標(biāo)題(Title)及關(guān)鍵字(Keyword)權(quán)重來強(qiáng)化這些關(guān)鍵字關(guān)係之代表性22計(jì)算語意相關(guān)度本研究以句子為範(fàn)圍，即兩個(gè)關(guān)鍵字在同一句子23建立語意網(wǎng)路圖每個(gè)關(guān)鍵字都可表示為一個(gè)點(diǎn)，點(diǎn)權(quán)重為個(gè)別關(guān)鍵字在使用者間TF-IAF的加總，再加上該關(guān)鍵字所有語意相關(guān)度平均關(guān)鍵字間的關(guān)係表示成一個(gè)邊，邊權(quán)重即為關(guān)鍵字的語意相關(guān)度運(yùn)用[9]的方法進(jìn)行主題關(guān)鍵字分群23建立語意網(wǎng)路圖每個(gè)關(guān)鍵字都可表示為一個(gè)點(diǎn)，點(diǎn)權(quán)重為個(gè)別關(guān)24建立語意網(wǎng)路圖24建立語意網(wǎng)路圖25主題關(guān)鍵字分群示意圖[9]25主題關(guān)鍵字分群示意圖[9]26選取重要候選關(guān)鍵字Findingverticeswhoseweightsarelargerthantheaverageweight26選取重要候選關(guān)鍵字Findingverticeswh27主題關(guān)鍵字分群(Cont.)k-NearestNeighborApproach[19]考慮圖中的每個(gè)點(diǎn)，取與該點(diǎn)最相近的k個(gè)點(diǎn)為一組，每組都為一個(gè)連通圖，稱之為候選關(guān)鍵字組產(chǎn)生候選關(guān)鍵字子群以每個(gè)候選關(guān)鍵字組為中心，向外還原先前與候選關(guān)鍵字組內(nèi)的點(diǎn)有直接連線關(guān)係的邊，形成候選關(guān)鍵字子群，並計(jì)算每個(gè)子群的權(quán)重，如方程式(3-6)所示。(3-6)27主題關(guān)鍵字分群(Cont.)k-NearestNeig28關(guān)鍵字分群Usek-nearestneighborgraphapproach28關(guān)鍵字分群Usek-nearestneighbor29主題關(guān)鍵字分群(Cont.)合併候選關(guān)鍵字子群找出互連性(Inter-connectivity)最強(qiáng)的兩個(gè)子群將之合併，直到子群間的互連相關(guān)度(RelativeInter-connectivity)都小於門檻值後停止。互連相關(guān)度方程式(3-7)所示。(3-7)29主題關(guān)鍵字分群(Cont.)合併候選關(guān)鍵字子群(3-7)30合併候選關(guān)鍵字子群30合併候選關(guān)鍵字子群31主題關(guān)鍵字分群(Cont.)修正並產(chǎn)生主題關(guān)鍵字分群讓每個(gè)子群內(nèi)的關(guān)鍵字個(gè)數(shù)保持在一定的差距內(nèi)若子群內(nèi)包含的關(guān)鍵字比平均個(gè)數(shù)少，但子群權(quán)重卻大於平均權(quán)重時(shí)，將該群保留若子群經(jīng)修正後仍小於平均權(quán)重，將該群直接刪除子群權(quán)重如方程式(3-8)所示(3-8)31主題關(guān)鍵字分群(Cont.)修正並產(chǎn)生主題關(guān)鍵字分群(332修正並產(chǎn)生主題關(guān)鍵字分群32修正並產(chǎn)生主題關(guān)鍵字分群33關(guān)鍵字分群標(biāo)記利用人力過濾出有意義的關(guān)鍵字取權(quán)重最高的關(guān)鍵字做為最後群的標(biāo)記33關(guān)鍵字分群標(biāo)記利用人力過濾出有意義的關(guān)鍵字34建立主題社群使用者社會(huì)網(wǎng)路使用者分群34建立主題社群使用者社會(huì)網(wǎng)路35使用者社會(huì)網(wǎng)路35使用者社會(huì)網(wǎng)路36使用者社會(huì)網(wǎng)路(續(xù))36使用者社會(huì)網(wǎng)路(續(xù))37使用者分群將所有使用者向量模型以N×m的矩陣U表示，N代表使用者數(shù)目，m代表所有關(guān)鍵字?jǐn)?shù)目以矩陣R代表使用者間相關(guān)係數(shù)，乘上以使用者向量模型構(gòu)成的矩陣U，形成一新的矩陣U’代表更新後的使用者向量模型(α參數(shù)調(diào)整R的影響程度)37使用者分群將所有使用者向量模型以N×m的矩陣U表示，N代38使用者分群(續(xù))以餘弦相似度(CosineSimilarity)計(jì)算使用者與個(gè)別主題的相似度，當(dāng)使用者與主題間的相似度大於門檻值時(shí)，則將其歸類到該主題38使用者分群(續(xù))以餘弦相似度(CosineSimila39推薦模式在社群中的成員都具有相似的主題興趣，但是由於多重主題[9]的屬性存在，使得使用者可能對(duì)多種主題都具有偏好，於是產(chǎn)生個(gè)人化推薦與社群推薦兩種推薦模式，茲分述如下：個(gè)人化推薦(CollaborativeFiltering)依據(jù)內(nèi)容導(dǎo)向方法，對(duì)使用者進(jìn)行論文推薦，即計(jì)算社群內(nèi)成員所撰寫的論文與個(gè)別成員的相似度，選取相似度最高的n篇論文給予推薦社群推薦(擴(kuò)展閱讀層面)透過分析社群成員對(duì)其他主題的興趣分佈，統(tǒng)計(jì)出具有較高偏好比重的主題，推薦項(xiàng)目以與該主題最相關(guān)的n篇論文39推薦模式在社群中的成員都具有相似的主題興趣，但是由於多重40系統(tǒng)發(fā)展與實(shí)證分析40系統(tǒng)發(fā)展與實(shí)證分析41系統(tǒng)發(fā)展—系統(tǒng)架構(gòu)41系統(tǒng)發(fā)展—系統(tǒng)架構(gòu)42系統(tǒng)發(fā)展—系統(tǒng)介面42系統(tǒng)發(fā)展—系統(tǒng)介面43系統(tǒng)發(fā)展—系統(tǒng)介面(續(xù))43系統(tǒng)發(fā)展—系統(tǒng)介面(續(xù))44系統(tǒng)發(fā)展—系統(tǒng)介面(續(xù))44系統(tǒng)發(fā)展—系統(tǒng)介面(續(xù))45系統(tǒng)發(fā)展—系統(tǒng)介面(Cont.)45系統(tǒng)發(fā)展—系統(tǒng)介面(Cont.)46系統(tǒng)發(fā)展—系統(tǒng)介面(續(xù))46系統(tǒng)發(fā)展—系統(tǒng)介面(續(xù))47實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估首先將系統(tǒng)分群的結(jié)果分類，即將相近的群歸屬於同一類依序?qū)€(gè)別使用者進(jìn)行分類之動(dòng)作採用準(zhǔn)確率(Precision)與回現(xiàn)率(Recall)兩項(xiàng)指標(biāo)[15]，來評(píng)估分群結(jié)果的好壞47實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估首先將系統(tǒng)分群的結(jié)果分類，即將相近48實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估(續(xù))48實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估(續(xù))49實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估(續(xù))49實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估(續(xù))50實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估(續(xù))50實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估(續(xù))51實(shí)驗(yàn)結(jié)果—推薦結(jié)果評(píng)估標(biāo)凖差為0.068，當(dāng)信賴水凖達(dá)95%時(shí)，信賴區(qū)間為(0.632,0.897)；Kappa值為0.764，專家同意度為0.95針對(duì)專家具有相同意見之推薦結(jié)果，總共有208筆，認(rèn)為符合使用者需求之推薦有187筆，則推薦之準(zhǔn)確率為187/208=0.89951實(shí)驗(yàn)結(jié)果—推薦結(jié)果評(píng)估標(biāo)凖差為0.068，當(dāng)信賴水凖達(dá)952作者收錄論文數(shù)量分析論文收錄的篇數(shù)介於1篇到41篇，只收錄1篇文章的作者有129位，佔(zhàn)全部作者的55%；收錄少於5篇的作者有93%52作者收錄論文數(shù)量分析論文收錄的篇數(shù)介於1篇到41篇，只收53作者收錄論文數(shù)量分析(續(xù))53作者收錄論文數(shù)量分析(續(xù))54共同作者分析共同作者數(shù)介於1到6位作者之間，只有單一作者的論文有6篇，佔(zhàn)全部論文數(shù)的3%；共同作者為2到6位間的論文篇數(shù)共有220篇，佔(zhàn)全部的97%54共同作者分析共同作者數(shù)介於1到6位作者之間，只有單一作者55社會(huì)網(wǎng)路Yu-CheeTseng55社會(huì)網(wǎng)路Yu-CheeTseng56社會(huì)網(wǎng)路量測(cè)指標(biāo)分析56社會(huì)網(wǎng)路量測(cè)指標(biāo)分析57結(jié)論與建議57結(jié)論與建議58結(jié)論本研究致力於改善資訊推薦的效能，主要的目在於提出結(jié)合主題概念萃取與社會(huì)網(wǎng)路分析之資訊推薦系統(tǒng)，以提供符合使用者需求之推薦資訊。經(jīng)由實(shí)驗(yàn)與統(tǒng)計(jì)分析的驗(yàn)證，將本研究的結(jié)果整理如下：主題概念萃?。核?35位作者，226篇論文中，共產(chǎn)生22個(gè)主題概念形成主題社群：經(jīng)由實(shí)驗(yàn)發(fā)現(xiàn)，社會(huì)網(wǎng)路對(duì)提升使用者分群之回現(xiàn)率有較佳之效果，代表其能發(fā)掘出更多具有關(guān)聯(lián)性之使用者資訊推薦：資訊推薦之準(zhǔn)確率為0.899，顯見系統(tǒng)之推薦效果，頗能符合使用者需求58結(jié)論本研究致力於改善資訊推薦的效能，主要的目在於提出結(jié)合59後續(xù)建議建立主題本體論進(jìn)行主題萃取的過程中，利用階層式分群法以樹狀結(jié)構(gòu)表示主題分群之結(jié)果，產(chǎn)生主題概念階層經(jīng)由使用者主題偏好之關(guān)聯(lián)，建立主題概念之連結(jié)，以形成主題本體論幫助使用者瞭解本身處於何種階層層級(jí)，未來可朝哪些研究方向前進(jìn)使用者評(píng)分之應(yīng)用使用者評(píng)分可分為明顯性評(píng)分與隱含性評(píng)分。明顯性評(píng)分為使用者依對(duì)目標(biāo)物感興趣程度給予主觀評(píng)分；隱含性評(píng)分的估計(jì)通常以使用者的瀏覽行為做依據(jù)經(jīng)由使用者評(píng)分可以更精確瞭解使用者偏好所在，使資訊推薦更符合使用者需求59後續(xù)建議建立主題本體論60後續(xù)建議(續(xù))社會(huì)網(wǎng)路之階層擴(kuò)展可經(jīng)由建立在共同社會(huì)網(wǎng)路中之使用者關(guān)係，進(jìn)一步探討社會(huì)網(wǎng)路之資訊流動(dòng)及影響。例如使用Floyd-Warshall演算法可找出位於同一社會(huì)網(wǎng)路中，兩兩使用者間的最短路徑，則可經(jīng)由節(jié)點(diǎn)的分析，研究其對(duì)使用者的影響。機(jī)構(gòu)典藏與資料庫系統(tǒng)之加值應(yīng)用以其他方式(如引用、共引)架構(gòu)社會(huì)網(wǎng)路60後續(xù)建議(續(xù))社會(huì)網(wǎng)路之階層擴(kuò)展61參考文獻(xiàn)(續(xù))A.Iskold,(2007)“TheArt,ScienceandBusinessofRecommendationEngines.”/archives/recommendation_engines.phpA.K.Jain,M.N.Murty,&P.J.Flynn,“Dataclustering:Areview,”ACMComputingSurveys,vol.31,

pp.264-323,1999.B.Krulwich,&C.Burkey,“TheInfoFinderagent:Learninguserintereststhroughheuristicphraseextraction,”IEEEExpert:IntelligentSystemsandTheirApplications,vol.12,pp.22-27,1997.B.Sarwar,G.Karypis,J.Konstan,&J.Riedl,“Analysisofrecommendationalgorithmsfore-commerce,”Proceedingsofthe2ndACMconferenceonElectroniccommerce,pp.158-167,2000.D.Goldberg,D.Nichols,B.M.Oki,&D.Terry,“UsingCollaborativeFilteringtoWeaveAnInformationTapestry,”CommunicationsoftheACM,vol.35,pp.61-70,1992.D.Koller,&M.Sahami,“Hierarchicallyclassifyingdocumentsusingveryfewwords,”Proceedingsof14ththeInternationalConferenceonMachineLearning,pp.170–178,1997.F.Sebastiani,“Machinelearninginautomatedtextcategorization,”ACMComputingSurveys,vol.34,pp.1-47,2002.G..Karypis,E.H.Han,&V.Kumar,“Chameleon:Hierarchicalclusteringusingdynamicmodeling,”Computer,vol.32,pp.68-75,1999.H.C.Chang,&C.C.Hsu,“Usingtopickeywordclustersforautomaticdocumentclustering,”TransactionsonInformationandSystems,vol.88,pp.1852-1860,2005.H.Hotta,“Userprofilingsystemusingsocialnetworksforrecommendation”,InProceedingsof8thInternationalSymposiumonAdvancedIntelligentSystems,2007.H.Kautz,B.Selman,&F.Park,“ReferralWeb:Combiningsocialnetworksandcollaborativefiltering,”CommunicationsoftheACM,vol.40,pp.63-65,1997.61參考文獻(xiàn)(續(xù))A.Iskold,(2007)“Th62參考文獻(xiàn)(續(xù))H.Sakagami,&T.Kamba,“LearningPersonalPreferencesonOnlineNewspaperArticlesfromUserBehaviors,”ComputerNetworksandISDNSystems,vol.29,pp.1447-1455,1997.J.B.Schafer,J.Konstan,&J.Riedi,“Recommendersystemsine-commerce,”Proceedingsofthe1stACMconferenceonElectroniccommerce,pp.158-166,1999.J.MacQueen,“Somemethodsforclassificationandanalysisofmultivariateobservations,”Proceedingsof5thBerkeleySymposiumonMathematicalStatisticsandProbability,vol.1,pp.281-297,1967.J.Makhoul,F.Kubala,R.Schwartz,&R.Weischedel,“Performancemeasuresforinformationextraction,”ProceedingsofDARPABroadcastNewsWorkshop,pp.249-252,1999.J.Moreno,WhoShallSurvive?NewYork:NationalInstituteofMentalHealth,1934.J.R.Tyler,D.M.Wilkinson,&B.A.Huberman,“Emailasspectroscopy:Automateddiscoveryofcommunitystructurewithinorganizations,”Communitiesandtechnologies,pp.81-96,2003.J.Rucker,&M.J.Polanco,“Siteseer:Personalizednavigationfortheweb,”CommunicationsoftheACM,vol.40,pp.73-76,1997.K.C.Gowda,&G.Krishna,“Agglomerativeclusteringusingtheconceptofmutualnearestneighbourhood,”PatternRecognition,vol.10,pp.105-112,1978.K.Faust,“Comparisonofmethodsforpositionalanalysis:Structuralandgeneralequivalences,”SocialNetworks,vol.10,pp.313-341,1988.L.C.Freeman,“CentralityinSocialNetworks:Conceptualclarification,”SocialNetworks,vol.1,pp.215-239,1979.L.Page,&S.Brin,“Theanatomyofalarge-scalehypertextualWebsearchengine,”InProceedingsoftheseventhinternationalWorld-WideWebconference,1998.62參考文獻(xiàn)(續(xù))H.Sakagami,&T.Kam63參考文獻(xiàn)(續(xù))L.Garton,C.Haythornthwaite,&B.Wellman,(1997)“StudyingOnlineSocialNetworks,”http://jcmc.huji.ac.il/vol3/issue1/garton.htmlM.A.Shah,“ReferralWeb:Aresourcelocationsystemguidedbypersonalrelations,”Master'sthesis,M.I.T.,1997.M.Granovetter,“Thestrengthofweakties:Anetworktheoryrevisited,”SociologyTheory,vol.1,pp.201-233,1983.N.Zhong,J.Liu&Y.Yao,“Insearchofthewisdomweb,”Computer,vol.35,pp.27-31,2002.P.Athanasios,Probability,RandomVariablesandStochasticProcesses.,SecondEditioned.NewYork:McGraw-Hill,1984.P.Mika,“Flink:SemanticWebtechnologyfortheextractionandanalysisofsocialnetworks,”WebSemantics:Science,ServicesandAgentsontheWorldWideWeb,vol3,pp.211-223,2005.P.Pattison,Algebraicmodelsforsocialnetworks.,CambridgeUniversityPress,1993.S.E.Chan,R.K.Pon,&A.F.Cárdenas,“VisualizationandClusteringofAuthorSocialNetworks,”InternationalConferenceonDistributedMultimediaSystemsWorkshoponVisualLanguagesandComputing,pp.30-31,2006.S.P.Borgatti,(1998)“WhatIsSocialNetworkAnalysis?”/networks/whatis.htmS.Staab,P.Domingos,P.Mike,J.Golbeck,D.Li,T.Finin,A.Joshi,A.Nowak,&R.R.Vallacher,“Socialnetworksapplied,”IEEEIntelligentSystems,vol.20,pp.80-93,2005.V.Kotlyar,M.S.Viveros,S.S.Duri,R.D.Lawrence,&G.S.Almasi,“Acasestudyininformationdeliverytomassretailmarkets,”InProceedingsofthe10thInternationalConferenceonDatabaseandExpertSystems,1999.63參考文獻(xiàn)(續(xù))L.Garton,C.Haythor64參考文獻(xiàn)(續(xù))X.Liu,J.Bollen,M.L.Nelson,&H.V.deSompel,“Co-authorshipnetworksinthedigitallibraryresearchcommunity,”InformationProcessingandManagement,vol41,pp.1462-1480,2005.Y.Matsuo,J.Mori,&M.Hamasaki,“POLYPHONET:AnadvancedsocialnetworkextractionsystemfromtheWeb",WebSemantics:Science,ServicesandAgentsontheWorldWideWeb,vol.5,pp.262-278,2007.KappaStatistics-/homepages/chuangj/kappaLingPipeNLPToolkit-/lingpipe/NCTUIR-.tw/PorterStemmingAlgorithm-/~martin/PorterStemmerD.J.Watts著,傅士哲,謝良瑜譯,“6個(gè)人的小世界”大塊文化,2004.楊永芳,“語意擴(kuò)充式文件推薦方法之研究”中山大學(xué)資訊管理研究所碩士論文,2001.張家寧,“以概念萃取為基礎(chǔ)之文件分群與視覺化”交通大學(xué)資訊科學(xué)與工程研究所碩士論文,2006.翁明正,翁頌舜,“應(yīng)用本體論與社會(huì)網(wǎng)路分析於個(gè)人化推薦”2007數(shù)位科技與創(chuàng)新管理研討會(huì)論文集,423-434,2007.64參考文獻(xiàn)(續(xù))X.Liu,J.Bollen,M.65大綱緒論相關(guān)文獻(xiàn)研究方法系統(tǒng)發(fā)展與實(shí)證分析結(jié)論與建議1大綱緒論66緒論2緒論67研究背景與動(dòng)機(jī)資訊過載(InformationOverload)搜尋引擎與推薦系統(tǒng)的出現(xiàn)，成為改善資訊過載問題的兩大利器使用者除了本身的主觀喜好之外，其行為容易受到人際關(guān)係的影響虛擬社群與社會(huì)網(wǎng)路，成為許多使用者獲得資訊情報(bào)的最佳來源本研究探討如何運(yùn)用社會(huì)網(wǎng)路提升資訊推薦的品質(zhì)3研究背景與動(dòng)機(jī)資訊過載(InformationOverl68研究目的本研究希望透過主題概念萃取與社會(huì)網(wǎng)路分析，建構(gòu)資訊推薦系統(tǒng)，藉此達(dá)到以下的目標(biāo)：主題概念萃?。狠腿〕鑫募械闹匾P(guān)鍵字利用關(guān)鍵字分群的方式，達(dá)到主題概念萃取的目的，藉以瞭解使用者所關(guān)注的興趣與議題形成主題社群以向量空間模型表示使用者的個(gè)別興趣，並結(jié)合使用者社會(huì)網(wǎng)路，將相似度高且具有相同主題興趣的使用者群聚在一起，以形成主題社群資訊推薦經(jīng)由主題社群的產(chǎn)生，針對(duì)使用者個(gè)人的主題偏好，進(jìn)行個(gè)人化推薦4研究目的本研究希望透過主題概念萃取與社會(huì)網(wǎng)路分析，建構(gòu)資訊69相關(guān)研究5相關(guān)研究70社會(huì)網(wǎng)路分析社會(huì)網(wǎng)路分析(SocialNetworkAnalysis)是一種研究社會(huì)結(jié)構(gòu)、組織系統(tǒng)、人際關(guān)係、團(tuán)體互動(dòng)的概念與方法，是在社會(huì)計(jì)量學(xué)基礎(chǔ)上所發(fā)展出來的分析方法社會(huì)網(wǎng)路分析研究領(lǐng)域中，最著名的理論之一為「六度分隔」理論[40]最初利用信件傳遞實(shí)驗(yàn)，發(fā)現(xiàn)從寄件者到收件者之間，平均轉(zhuǎn)寄了六次指互不相干的兩個(gè)人，最多可經(jīng)由五個(gè)中介者連結(jié)出某種關(guān)係6社會(huì)網(wǎng)路分析社會(huì)網(wǎng)路分析(SocialNetworkA71社會(huì)網(wǎng)路示意圖/wiki/Social_network

7社會(huì)網(wǎng)路示意圖http://en.wikipedia.or72社會(huì)網(wǎng)路分析(Cont.)在社會(huì)網(wǎng)路分析中，個(gè)別行動(dòng)者的量測(cè)指標(biāo)主要有以下三項(xiàng)[21]：Degree—numberofdirectconnections

Betweenness—roleofbrokerorgatekeeperClosenessCentrality—whohastheshortestpathtoallothers8社會(huì)網(wǎng)路分析(Cont.)在社會(huì)網(wǎng)路分析中，個(gè)別行動(dòng)者的量73ClusteringAlgorithmPartitioningmethodsk-MeansHierarchicalmethodsAgglomerativeDivisiveModel-basedmethodsSelf-OrganizingMap9ClusteringAlgorithmPartition74ClusteringAlgorithm(續(xù))Partitioningmethodsk-MeansHierarchicalmethodsAgglomerativeDivisiveModel-basedmethodsSelf-OrganizingMap10ClusteringAlgorithm(續(xù))Part75ClusteringAlgorithm(續(xù))Partitioningmethodsk-MeansHierarchicalmethodsAgglomerativeDivisiveModel-basedmethodsSelf-OrganizingMap11ClusteringAlgorithm(續(xù))Part76推薦系統(tǒng)推薦系統(tǒng)的目的是從大量資訊中找出使用者最可能感興趣的部份，減少使用者主動(dòng)搜尋的機(jī)會(huì)成本目前常應(yīng)用在推薦系統(tǒng)的方法主要有兩種內(nèi)容導(dǎo)向(Content-based)式推薦協(xié)同過濾(CollaborativeFiltering)式推薦12推薦系統(tǒng)推薦系統(tǒng)的目的是從大量資訊中找出使用者最可能感興77資訊檢索—向量空間模型Thevectormodelranksthedocumentsaccordingtotheirdegreeofsimilaritytothequery,andretrievethedocumentswithadegreeofsimilarityaboveathresholdDefineWeightwi,j

associatedwithapair(ki,dj)ispositiveandnon-binary

(tisthetotalnumberofindexterms)Theindextermsinthequeryarealsoweightedwi,qistheweightassociatedwiththepair[ki,q],wherewi,q>=0(tisthetotalnumberofindexterms)Degreeofsimilarityofdjwithregardtoq:Thecosineoftheanglebetweenthetwocorrespondingvectors13資訊檢索—向量空間模型Thevectormodel78資訊檢索—向量空間模型圖示NormalizedTerm-documentmatrix14資訊檢索—向量空間模型圖示NormalizedTerm-79資訊檢索—向量空間模型圖示15資訊檢索—向量空間模型圖示80研究方法16研究方法81語料庫本研究以交通大學(xué)機(jī)構(gòu)典藏系統(tǒng)[38]所收集的期刊論文做為語料庫選取標(biāo)題(Title)、摘要(Abstract)、關(guān)鍵字(Keyword)及作者(Author)欄位做為資料來源.tw

系統(tǒng)雛型展示17語料庫本研究以交通大學(xué)機(jī)構(gòu)典藏系統(tǒng)[38]所收集的期刊82前置處理斷詞切字(Tokenization)與小寫化(Lowercasing)刪除停用字(StopwordRemoving)詞性標(biāo)記(Part-of-speech)片語化(Chunking)詞幹還原(Stemming)特徵選擇(FeatureSelection)18前置處理斷詞切字(Tokenization)與小寫化(L83Somecombinatorialcharacteristicsofmatrixmultiplicationonregulartwo-dimensionalarraysarestudied.Fromthestudies,theauthorsareabletodesignmanyefficientvarietiesofthecylindricalarrayandthetwo-layeredmesharrayformatrixmultiplication.somecombinatorialcharacteristicsofmatrixmultiplicationonregulartwo-dimensionalarraysarestudiedfromthestudiestheauthorsareabletodesignmanyefficientvarietiesofthecylindricalarrayandthetwo-layeredmesharrayformatrixmultiplicationsomecombinatorialcharacteristicsofmatrixmultiplicationonregulartwo-dimensionalarraysarestudiedfromthestudiestheauthorsareabletodesignmanyefficientvarietiesofthecylindricalarrayandthetwo-layeredmesharrayformatrixmultiplicationcombinatorialcharacteristicsmatrixmultiplicationregulartwo-dimensionalarraysstudiedstudiesauthorsdesignefficientvarieties

cylindricalarraytwo-layeredmesharraymatrixmultiplicationcombinatorial_jjcharacteristics_nnsmatrix_nnmultiplication_nnregular_jjtwo-dimensional_jjarrays_nnsstudied_vbnstudies_nnsauthors_nnsdesign_vbefficient_jjvarieties_nnscylindrical_jjarray_nntwo-layered_jjmesh_nnarray_nnmatrix_nnmultiplication_nn前置處理(續(xù))19Somecombinatorialcharacter84主題關(guān)鍵字分群使用者模型計(jì)算語意相關(guān)度建立語意網(wǎng)路圖關(guān)鍵字分群關(guān)鍵字分群標(biāo)記20主題關(guān)鍵字分群使用者模型85使用者模型採用TF-IAF(TermFrequency-InverseAuthorFrequency)[30]來衡量使用者與關(guān)鍵字間的關(guān)聯(lián)計(jì)算完TF-IAF後，每個(gè)使用者皆可以向量的形式來呈現(xiàn)21使用者模型採用TF-IAF(TermFrequenc86計(jì)算語意相關(guān)度本研究以句子為範(fàn)圍，即兩個(gè)關(guān)鍵字在同一句子內(nèi)出現(xiàn)才表示其具有語意相關(guān)度。透過增加標(biāo)題(Title)及關(guān)鍵字(Keyword)權(quán)重來強(qiáng)化這些關(guān)鍵字關(guān)係之代表性22計(jì)算語意相關(guān)度本研究以句子為範(fàn)圍，即兩個(gè)關(guān)鍵字在同一句子87建立語意網(wǎng)路圖每個(gè)關(guān)鍵字都可表示為一個(gè)點(diǎn)，點(diǎn)權(quán)重為個(gè)別關(guān)鍵字在使用者間TF-IAF的加總，再加上該關(guān)鍵字所有語意相關(guān)度平均關(guān)鍵字間的關(guān)係表示成一個(gè)邊，邊權(quán)重即為關(guān)鍵字的語意相關(guān)度運(yùn)用[9]的方法進(jìn)行主題關(guān)鍵字分群23建立語意網(wǎng)路圖每個(gè)關(guān)鍵字都可表示為一個(gè)點(diǎn)，點(diǎn)權(quán)重為個(gè)別關(guān)88建立語意網(wǎng)路圖24建立語意網(wǎng)路圖89主題關(guān)鍵字分群示意圖[9]25主題關(guān)鍵字分群示意圖[9]90選取重要候選關(guān)鍵字Findingverticeswhoseweightsarelargerthantheaverageweight26選取重要候選關(guān)鍵字Findingverticeswh91主題關(guān)鍵字分群(Cont.)k-NearestNeighborApproach[19]考慮圖中的每個(gè)點(diǎn)，取與該點(diǎn)最相近的k個(gè)點(diǎn)為一組，每組都為一個(gè)連通圖，稱之為候選關(guān)鍵字組產(chǎn)生候選關(guān)鍵字子群以每個(gè)候選關(guān)鍵字組為中心，向外還原先前與候選關(guān)鍵字組內(nèi)的點(diǎn)有直接連線關(guān)係的邊，形成候選關(guān)鍵字子群，並計(jì)算每個(gè)子群的權(quán)重，如方程式(3-6)所示。(3-6)27主題關(guān)鍵字分群(Cont.)k-NearestNeig92關(guān)鍵字分群Usek-nearestneighborgraphapproach28關(guān)鍵字分群Usek-nearestneighbor93主題關(guān)鍵字分群(Cont.)合併候選關(guān)鍵字子群找出互連性(Inter-connectivity)最強(qiáng)的兩個(gè)子群將之合併，直到子群間的互連相關(guān)度(RelativeInter-connectivity)都小於門檻值後停止?；ミB相關(guān)度方程式(3-7)所示。(3-7)29主題關(guān)鍵字分群(Cont.)合併候選關(guān)鍵字子群(3-7)94合併候選關(guān)鍵字子群30合併候選關(guān)鍵字子群95主題關(guān)鍵字分群(Cont.)修正並產(chǎn)生主題關(guān)鍵字分群讓每個(gè)子群內(nèi)的關(guān)鍵字個(gè)數(shù)保持在一定的差距內(nèi)若子群內(nèi)包含的關(guān)鍵字比平均個(gè)數(shù)少，但子群權(quán)重卻大於平均權(quán)重時(shí)，將該群保留若子群經(jīng)修正後仍小於平均權(quán)重，將該群直接刪除子群權(quán)重如方程式(3-8)所示(3-8)31主題關(guān)鍵字分群(Cont.)修正並產(chǎn)生主題關(guān)鍵字分群(396修正並產(chǎn)生主題關(guān)鍵字分群32修正並產(chǎn)生主題關(guān)鍵字分群97關(guān)鍵字分群標(biāo)記利用人力過濾出有意義的關(guān)鍵字取權(quán)重最高的關(guān)鍵字做為最後群的標(biāo)記33關(guān)鍵字分群標(biāo)記利用人力過濾出有意義的關(guān)鍵字98建立主題社群使用者社會(huì)網(wǎng)路使用者分群34建立主題社群使用者社會(huì)網(wǎng)路99使用者社會(huì)網(wǎng)路35使用者社會(huì)網(wǎng)路100使用者社會(huì)網(wǎng)路(續(xù))36使用者社會(huì)網(wǎng)路(續(xù))101使用者分群將所有使用者向量模型以N×m的矩陣U表示，N代表使用者數(shù)目，m代表所有關(guān)鍵字?jǐn)?shù)目以矩陣R代表使用者間相關(guān)係數(shù)，乘上以使用者向量模型構(gòu)成的矩陣U，形成一新的矩陣U’代表更新後的使用者向量模型(α參數(shù)調(diào)整R的影響程度)37使用者分群將所有使用者向量模型以N×m的矩陣U表示，N代102使用者分群(續(xù))以餘弦相似度(CosineSimilarity)計(jì)算使用者與個(gè)別主題的相似度，當(dāng)使用者與主題間的相似度大於門檻值時(shí)，則將其歸類到該主題38使用者分群(續(xù))以餘弦相似度(CosineSimila103推薦模式在社群中的成員都具有相似的主題興趣，但是由於多重主題[9]的屬性存在，使得使用者可能對(duì)多種主題都具有偏好，於是產(chǎn)生個(gè)人化推薦與社群推薦兩種推薦模式，茲分述如下：個(gè)人化推薦(CollaborativeFiltering)依據(jù)內(nèi)容導(dǎo)向方法，對(duì)使用者進(jìn)行論文推薦，即計(jì)算社群內(nèi)成員所撰寫的論文與個(gè)別成員的相似度，選取相似度最高的n篇論文給予推薦社群推薦(擴(kuò)展閱讀層面)透過分析社群成員對(duì)其他主題的興趣分佈，統(tǒng)計(jì)出具有較高偏好比重的主題，推薦項(xiàng)目以與該主題最相關(guān)的n篇論文39推薦模式在社群中的成員都具有相似的主題興趣，但是由於多重104系統(tǒng)發(fā)展與實(shí)證分析40系統(tǒng)發(fā)展與實(shí)證分析105系統(tǒng)發(fā)展—系統(tǒng)架構(gòu)41系統(tǒng)發(fā)展—系統(tǒng)架構(gòu)106系統(tǒng)發(fā)展—系統(tǒng)介面42系統(tǒng)發(fā)展—系統(tǒng)介面107系統(tǒng)發(fā)展—系統(tǒng)介面(續(xù))43系統(tǒng)發(fā)展—系統(tǒng)介面(續(xù))108系統(tǒng)發(fā)展—系統(tǒng)介面(續(xù))44系統(tǒng)發(fā)展—系統(tǒng)介面(續(xù))109系統(tǒng)發(fā)展—系統(tǒng)介面(Cont.)45系統(tǒng)發(fā)展—系統(tǒng)介面(Cont.)110系統(tǒng)發(fā)展—系統(tǒng)介面(續(xù))46系統(tǒng)發(fā)展—系統(tǒng)介面(續(xù))111實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估首先將系統(tǒng)分群的結(jié)果分類，即將相近的群歸屬於同一類依序?qū)€(gè)別使用者進(jìn)行分類之動(dòng)作採用準(zhǔn)確率(Precision)與回現(xiàn)率(Recall)兩項(xiàng)指標(biāo)[15]，來評(píng)估分群結(jié)果的好壞47實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估首先將系統(tǒng)分群的結(jié)果分類，即將相近112實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估(續(xù))48實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估(續(xù))113實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估(續(xù))49實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估(續(xù))114實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估(續(xù))50實(shí)驗(yàn)結(jié)果—分群結(jié)果評(píng)估(續(xù))115實(shí)驗(yàn)結(jié)果—推薦結(jié)果評(píng)估標(biāo)凖差為0.068，當(dāng)信賴水凖達(dá)95%時(shí)，信賴區(qū)間為(0.632,0.897)；Kappa值為0.764，專家同意度為0.95針對(duì)專家具有相同意見之推薦結(jié)果，總共有208筆，認(rèn)為符合使用者需求之推薦有187筆，則推薦之準(zhǔn)確率為187/208=0.89951實(shí)驗(yàn)結(jié)果—推薦結(jié)果評(píng)估標(biāo)凖差為0.068，當(dāng)信賴水凖達(dá)9116作者收錄論文數(shù)量分析論文收錄的篇數(shù)介於1篇到41篇，只收錄1篇文章的作者有129位，佔(zhàn)全部作者的55%；收錄少於5篇的作者有93%52作者收錄論文數(shù)量分析論文收錄的篇數(shù)介於1篇到41篇，只收117作者收錄論文數(shù)量分析(續(xù))53作者收錄論文數(shù)量分析(續(xù))118共同作者分析共同作者數(shù)介於1到6位作者之間，只有單一作者的論文有6篇，佔(zhàn)全部論文數(shù)的3%；共同作者為2到6位間的論文篇數(shù)共有220篇，佔(zhàn)全部的97%54共同作者分析共同作者數(shù)介於1到6位作者之間，只有單一作者119社會(huì)網(wǎng)路Yu-CheeTseng55社會(huì)網(wǎng)路Yu-CheeTseng120社會(huì)網(wǎng)路量測(cè)指標(biāo)分析56社會(huì)網(wǎng)路量測(cè)指標(biāo)分析121結(jié)論與建議57結(jié)論與建議122結(jié)論本研究致力於改善資訊推薦的效能，主要的目在於提出結(jié)合主題概念萃取與社會(huì)網(wǎng)路分析之資訊推薦系統(tǒng)，以提供符合使用者需求之推薦資訊。經(jīng)由實(shí)驗(yàn)與統(tǒng)計(jì)分析的驗(yàn)證，將本研究的結(jié)果整理如下：主題概念萃?。核?35位作者，226篇論文中，共產(chǎn)生22個(gè)主題概念形成主題社群：經(jīng)由實(shí)驗(yàn)發(fā)現(xiàn)，社會(huì)網(wǎng)路對(duì)提升使用者分群之回現(xiàn)率有較佳之效果，代表其能發(fā)掘出更多具有關(guān)聯(lián)性之使用者資訊推薦：資訊推薦之準(zhǔn)確率為0.899，顯見系統(tǒng)之推薦效果，頗能符合使用者需求58結(jié)論本研究致力於改善資訊推薦的效能，主要的目在於提出結(jié)合123後續(xù)建議建立主題本體論進(jìn)行主題萃取的過程中，利用階層式分群法以樹狀結(jié)構(gòu)表示主題分群之結(jié)果，產(chǎn)生主題概念階層經(jīng)由使用者主題偏好之關(guān)聯(lián)，建立主題概念之連結(jié)，以形成主題本體論幫助使用者瞭解本身處於何種階層層級(jí)，未來可朝哪些研究方向前進(jìn)使用者評(píng)分之應(yīng)用使用者評(píng)分可分為明顯性評(píng)分與隱含性評(píng)分。明顯性評(píng)分為使用者依對(duì)目標(biāo)物感興趣程度給予主觀評(píng)分；隱含性評(píng)分的估計(jì)通常以使用者的瀏覽行為做依據(jù)經(jīng)由使用者評(píng)分可以更精確瞭解使用者偏好所在，使資訊推薦更符合使用者需求59後續(xù)建議建立主題本體論124後續(xù)建議(續(xù))社會(huì)網(wǎng)路之階層擴(kuò)展可經(jīng)由建立在共同社會(huì)網(wǎng)路中之使用者關(guān)係，進(jìn)一步探討社會(huì)網(wǎng)路之資訊流動(dòng)及影響。例如使用Floyd-Warshall演算法可找出位於同一社會(huì)網(wǎng)路中，兩兩使用者間的最短路徑，則可經(jīng)由節(jié)點(diǎn)的分析，研究其對(duì)使用者的影響。機(jī)構(gòu)典藏與資料庫系統(tǒng)之加值應(yīng)用以其他方式(如引用、共引)架構(gòu)社會(huì)網(wǎng)路60後續(xù)建議(續(xù))社會(huì)網(wǎng)路之階層擴(kuò)展125參考文獻(xiàn)(續(xù))A.Iskold,(2007)“TheArt,ScienceandBusinessofRecommendationEngines.”/archives/recommendation_engines.phpA.K.Jain,M.N.Murty,&P.J.Flynn,“Dataclustering:Areview,”ACMComputingSurveys,vol.31,

pp.264-323,1999.B.Krulwich,&C.Burkey,“TheInfoFinderagent:Learninguserintereststhroughheuristicphraseextraction,”IEEEExpert:IntelligentSystemsandTheirApplications,vol.12,pp.22-27,1997.B.Sarwar,G.Karypis,J.Konstan,&J.Riedl,“Analysisofrecommendationalgorithmsfore-commerce,”Proceedingsofthe2ndACMconferenceonElectroniccommerce,pp.158-167,2000.D.Goldberg,D.Nichols,B.M.Oki,&D.Terry,“UsingCollaborativeFilteringtoWeaveAnInformationTapestry,”CommunicationsoftheACM,vol.35,pp.61-70,1992.D.Koller,&M.Sahami,“Hierarchicallyclassifyingdocumentsusingveryfewwords,”Proceedingsof14ththeInternationalConferenceonMachineLearning,pp.170–178,1997.F.Sebastiani,“Machinelearninginautomatedtextcategorization,”ACMComputingSurveys,vol.34,pp.1-47,2002.G..Karypis,E.H.Han,&V.Kumar,“Chameleon:Hierarchicalclusteringusingdynamicmodeling,”Computer,vol.32,pp.68-75,1999.H.C.Chang,&C.C.Hsu,“Usingtopickeywordclustersforautomaticdocumentclustering,”TransactionsonInformationandSystems,vol.88,pp.1852-1860,2005.H.Hotta,“Userprofilingsystemusingsocialnetworksforrecommendation”,InProceedingsof8thInternationalSymposiumonAdvancedIntelligentSystems,2007.H.Kautz,B.Selman,&F.Park,“ReferralWeb:Combiningsocialnetworksandcollaborativefiltering,”CommunicationsoftheACM,vol.40,pp.63-65,1997.61參考文獻(xiàn)(續(xù))A.Iskold,(2007)“Th126參考文獻(xiàn)(續(xù))H.Sakagami,&T.Kamba,“LearningPersonalPreferencesonOnlineNewspaperArticlesfromUserBehaviors,”ComputerNetworksandISDNSystems,vol.29,pp.1447-1455,1997.J.B.Schafer,J.Konstan,&J.Riedi,“Recommendersystemsine-commerce,”Proceedingsofthe1stACMconferenceonElectroniccommerce,pp.158-166,1999.J.MacQueen,“Somemethodsforclassificationandanalysisofmultivariateobservations,”Proceedingsof5thBerkeleySymposiumonMathematicalStatisticsandProbability,vol.1,pp.281-297,1967.J.Makhoul,F.Kubala,R.Schwartz,&R.Weischedel,“Performancemeasuresforinformationextraction,”ProceedingsofDARPABroadcastNewsWorkshop,pp.249-252,1999.J.Moreno,WhoShallSurvive?NewYork:NationalInstituteofMentalHealth,1934.J.R.Tyler,D.M.Wilkinson,&B.A.Huberman,“Emailasspectroscopy:Automateddiscoveryofcommunitystructurewithinorganizations,”Communitiesandtechnologies,pp.81-96,2003.J.Rucker,&M.J.Polanco,“Siteseer:Personalizednavigationfortheweb,”CommunicationsoftheACM,vol.40,pp.73-76,1997.K.C.Gowda,&G.Krishna,“Agglomerativeclusteringusingtheconceptofmutualnearestneighbourhood,”PatternRecognition,vol.10,pp.105-112,1978.K.Faust,“Comparisonofmethodsforpositionalanalysis:Structuralandgenera