轉寄 - 博碩士論文行動網

論文摘要推薦系統為網站提升使用者滿意度、減少使用者所花費的時間並且替網站提供方提升銷售，是現在網站中不可或缺的要素，而推薦系統的研究集中在娛樂項目，學術研究 ... 資料載入處理中... 跳到主要內容 臺灣博碩士論文加值系統 ::: 網站導覽| 首頁| 關於本站| 聯絡我們| 國圖首頁| 常見問題| 操作說明 English |FB專頁 |Mobile 免費會員 登入| 註冊 功能切換導覽列 (159.65.11.210)您好！臺灣時間：2021/12/2108:56 字體大小：       ::: 詳目顯示 recordfocus 第1筆/ 共1筆  /1頁 論文基本資料 摘要 外文摘要 目次 參考文獻 紙本論文 QRCode 本論文永久網址: 複製永久網址Twitter研究生:葉博凱論文名稱:學術研究論文推薦系統之研究論文名稱(外文):DevelopmentofaRecommendationSystemforAcademicResearchPapers指導教授:梁定澎學位類別:碩士校院名稱:國立政治大學系所名稱: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:學術論文畢業學年度:103語文別:中文論文頁數:63中文關鍵詞:學術論文推薦、協同過濾、關聯規則、冷啟動、FP-Growth外文關鍵詞:recommendationsystems、collaborativefiltering、associationrules、coldstart、FP-Growth相關次數: 被引用:1點閱:1493評分:下載:0書目收藏:2 推薦系統為網站提升使用者滿意度、減少使用者所花費的時間並且替網站提供方提升銷售，是現在網站中不可或缺的要素，而推薦系統的研究集中在娛樂項目，學術研究論文推薦系統的研究有限。

若能給予有價值的相關文獻，提供協助，無疑是加速進步的速度。

在過去的研究中，為了達到個人化目的所使用的方法，都有不可避免或未解決的缺點，2002年美國研究圖書館協會提出布達佩斯開放獲取計劃(BudapestOpenAccessInitiative)，不要求使用者註冊帳號與支付款項就能取得研究論文全文，這樣的做法使期刊走向開放的風氣開始盛行，時至今日，開放獲取對學術期刊網站帶來重大的影響。

在這樣的時空背景之下，本研究提出一個適用於學術論文之推薦機制，以FP-Growth演算法與協同過濾做為推薦方法的基礎，消弭過去研究之缺點，並具個人化推薦的優點，經實驗驗證後，證實本研究所提出的推薦架構具有良好的成效。

Recommendationsystemisusedinmanyfieldlikemovie,music,electriccommerceandlibrary.It’snotonlysavecustomers’timebutalsoraiseorganizations’efficient.Recommendedsystemisanessentialelementinawebsite.Somemethodshavebeendevelopedforrecommendedsystem,buttheyareprimarilyfocusedoncontentorcollaboration-basedmechanisms.Foracademicresearch,itisveryimportantthatrelevantliteraturecanbeprovidedtoresearcherswhentheyconductliteraturereview.Previousresearchindicatesthatthereareinevitableorunsolvedshortcomingsinexistingmethodssuchascoldstarts.AssociationofResearchLibrariespurpose“BudapestOpenAccessInitiative”thatisadvocateopenaccessconcept.Openaccessmeansthatuserscangetfullpaperwithoutregisterandpayfee.It’samajorimpacttoacademicjournalwebsite.Inthisspace-timebackground,weproposeahybridrecommendationmechanismthattakesintoconsiderationthenatureofrecommendationacademicpaperstomitigatetheshortcomingsofexistingmethods. 第一章緒論1第一節研究背景與動機1第二節研究目的3第二章文獻探討5第一節推薦系統定義與概述5第二節相關研究5第三節推薦系統分類13第四節推薦系統常見問題162.4.1推薦系統的共同問題162.4.2協同推薦系統的常見問題162.4.3內容基礎推薦的常見問題17第五節關聯規則探勘182.5.1關聯規則之定義與目的182.5.2關聯規則探勘方法19第六節小結20第三章研究方法21第一節設計科學的研究方法21第二節期刊網站現況22第三節推薦系統設計24第四節資料蒐集273.4.1計算閱讀習慣相似之輸入與評分27第五節詞頻分析模組28第六節使用者相似度計算模組293.6.1.Pearson變數說明與公式30第七節關聯規則分析模組303.7.1FP-tree之建構與表示303.7.2FP-growth高頻項目集之產生32第四章實驗設計36第一節研究假說37第二節資料前置處理38第三節實驗設計與實驗流程38第四節實證結果分析414.4.1分析方法414.4.2資料分析41第五章結論43第一節研究結果43第二節研究貢獻44第三節研究限制45第四節未來研究方向45 一、中文部分1.余明哲，2002，圖書館個人化館藏推薦系統，國立交通大學碩士論文。

2.邱建豪，2008，使用分群結合技術增進線上產品的推薦–以MovieLens為例，國立中正大學碩士論文。

3.張景堯，2007，以多重觀點本體論驅策之系統發展方法，國立政治大學博士論文。

4.許正怡，2008，植基於個人本體論模型與合作式過濾技術之中文圖書館推薦系統，國立中興大學碩士論文。

5.郭秉仁，2012，基於個人本體論與MapReduce技術之圖書推薦系統，國立中興大學碩士論文。

6.陳慧玲，2007，植基於個人本體論的圖書館推薦系統－以中興大學圖書館為例，國立中興大學碩士論文。

7.廖學毅，2007，動態協同式過濾推薦之系統實做，國立交通大學碩士論文。

8.蔡松霖，2013，電子商務推薦系統模型之初探，國立東華大學博士論文。

9.羅子文，2007，Web2.0概念的圖書館個人化推薦系統，國立交通大學碩士論文。

10.楊永芳，2002，語意擴充式文件推薦方法之研究，國立中山大學碩士論文。

二、英文部分1.Adomavicius,G.,&Tuzhilin,A.(2004).RecommendationTechnologies:SurveyofCurrentMethodsandPossibleExtensions(WorkingPaper).SternSchoolofBusiness,NewYorkUniversity.2.Agrawal,R.,Imieliński,T.,&Swami,A.(1993).MiningAssociationRulesBetweenSetsofItemsinLargeDatabases.Proceedingsofthe1993ACMSIGMODInternationalConferenceonManagementofData,NewYork,NY,USA,pp.207–216.3.Agrawal,R.,&Srikant,R.(1994).FastAlgorithmsforMiningAssociationRulesinLargeDatabases.Proceedingsofthe20thInternationalConferenceonVeryLargeDataBases,pp.487–499.4.Arslan,A.,&Yilmazel,O.(2011).FrequentPatternMiningOverMoviePlotKeywords.InInternationalConferenceonComputerandComputerIntelligence(ICCCI2011),ASMEPress.5.Bobadilla,J.,Ortega,F.,Hernando,A.,&Bernal,J.(2012).Acollaborativefilteringapproachtomitigatethenewusercoldstartproblem.Knowledge-BasedSystems,Vol.26,225–238.6.Bobadilla,J.,Ortega,F.,Hernando,A.,&Gutiérrez,A.(2013).Recommendersystemssurvey.Knowledge-BasedSystems,Vol.46,pp.109–132.7.Borgelt,C.(2005).AnImplementationoftheFP-growthAlgorithm.Proceedingsofthe1stInternationalWorkshoponOpenSourceDataMining:FrequentPatternMiningImplementations,NewYork,NY,USA,pp.1–5.8.Breese,J.S.,Heckerman,D.,&Kadie,C.(1998).EmpiricalAnalysisofPredictiveAlgorithmsforCollaborativeFiltering.ProceedingsoftheFourteenthConferenceonUncertaintyinArtificialIntelligence,SanFrancisco,CA,USA:MorganKaufmannPublishersInc,pp.43–52.9.Christakou,C.,&Stafylopatis,A.(2005).Ahybridmovierecommendersystembasedonneuralnetworks.5thInternationalConferenceonIntelligentSystemsDesignandApplications,2005.ISDA’05.Proceedings,pp.500–505.10.Goldberg,D.,Nichols,D.,Oki,B.M.,&Terry,D.(1992).UsingCollaborativeFilteringtoWeaveanInformationTapestry.Commun.ACM,Vol.35(12),pp.61–70.11.Han,J.,Pei,J.,&Yin,Y.(2000).MiningFrequentPatternsWithoutCandidateGeneration.Proceedingsofthe2000ACMSIGMODInternationalConferenceonManagementofData,NewYork,NY,USA,pp.1–12.12.He,J.,&Chu,W.W.(2010).ASocialNetwork-BasedRecommenderSystem(SNRS).DataMiningforSocialNetworkData,pp.47–74.13.He,Q.,Pei,J.,Kifer,D.,Mitra,P.,&Giles,L.(2010).Context-awareCitationRecommendation.Proceedingsofthe19thInternationalConferenceonWorldWideWeb,NewYork,NY,USA,pp.421–43014.Herlocker,J.L.,Konstan,J.A.,Borchers,A.,&Riedl,J.(1999).AnAlgorithmicFrameworkforPerformingCollaborativeFiltering.Proceedingsofthe22NdAnnualInternationalACMSIGIRConferenceonResearchandDevelopmentinInformationRetrieval,NewYork,NY,USA,pp.230–237.15.Jinha,A.E.(2010).Article50million:anestimateofthenumberofscholarlyarticlesinexistence.LearnedPublishing,Vol.23(3),pp.258–263.16.Kantor,P.B.,Rokach,L.,Ricci,F.,&Shapira,B.(2011).Recommendersystemshandbook.Springer.17.Kim,B.-D.,&Kim,S.-O.(2001).Anewrecommendersystemtocombinecontent-basedandcollaborativefilteringsystems.JournalofDatabaseMarketing&CustomerStrategyManagement,Vol.8(3),pp.244–252.18.Kim,W.,Choi,D.W.,&Park,S.(2008).Agentbasedintelligentsearchframeworkforproductinformationusingontologymapping.JournalofIntelligentInformationSystems,Vol.30(3),pp.227–247.19.Koren,Y.(2008).FactorizationMeetstheNeighborhood:AMultifacetedCollaborativeFilteringModel.Proceedingsofthe14thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining,NewYork,NY,USA,pp.426–434.20.Lee,J.,Lee,K.,&Kim,J.G.(2013).PersonalizedAcademicResearchPaperRecommendationSystem.arXivpreprintarXiv:1304.5457.21.Liang,T.-P.,Yang,Y.-F.,Chen,D.-N.,&Ku,Y.-C.(2008).Asemantic-expansionapproachtopersonalizedknowledgerecommendation.DecisionSupportSystems,Vol.45(3),pp.401–412.22.Lilien,G.L.,Rangaswamy,A.,VanBruggen,G.H.,&Starke,K.(2004).DSSEffectivenessinMarketingResourceAllocationDecisions:Realityvs.Perception.InformationSystemsResearch,Vol.15(3),pp.216–235.23.Lin,C.-W.,Hong,T.-P.,&Lu,W.-H.(2009).ThePre-FUFPalgorithmforincrementalmining.ExpertSystemswithApplications,Vol.36(5),pp.9498–9505.24.Linden,G.,Smith,B.,&York,J.(2003).Amazon.ComRecommendations:Item-to-ItemCollaborativeFiltering.IEEEInternetComputing,Vol.7(1),pp.76–80.25.LUO,J.,&LI,Y.M.(2010).ImprovementonAlgorithmFP-GrowthandApplicationsinItsE-Commerce.JournalofChinaWestNormalUniversity(NaturalSciences),3,018.26.Matsatsinis,N.F.,Lakiotaki,K.,&Delias,P.(2007).ASystembasedonMultipleCriteriaAnalysisforScientificPaperRecommendation,TechnicalUniversityofCrete.27.McLaughlin,M.R.,&Herlocker,J.L.(2004).ACollaborativeFilteringAlgorithmandEvaluationMetricThatAccuratelyModeltheUserExperience.Proceedingsofthe27thAnnualInternationalACMSIGIRConferenceonResearchandDevelopmentinInformationRetrieval,NewYork,NY,USA,pp.329–336.28.Naak,A.,Hage,H.,&Aïmeur,E.(2009).AMulti-criteriaCollaborativeFilteringApproachforResearchPaperRecommendationinPapyres,E-Technologies:InnovationinanOpenWorld,SpringerBerlinHeidelberg,pp.25–39.29.Nunamaker,J.F.,Jr.,Chen,M.,&Purdin,T.D.M.(1990).SystemsDevelopmentinInformationSystemsResearch.J.Manage.Inf.Syst.,Vol.7(3),pp.89–106.30.Palopoli,L.,Rosaci,D.,&Sarné,G.M.L.(2013).AMulti-tieredRecommenderSystemArchitectureforSupportingE-Commerce,IntelligentDistributedComputingVI.SpringerBerlinHeidelberg,pp.71–81.31.Piateski,G.,&Frawley,W.(1991).Knowledgediscoveryindatabases.MITpress.32.PIATETSKY-SHAPIRO,G.(1991).Discovery,AnalysisandPresentationofStrongRules.KnowledgeDiscoveryinDatabases,pp.229–238.33.Resnick,P.,&Varian,H.R.(1997).RecommenderSystems,Commun.ACM,Vol.40(3),pp.56–58.34.Salton,G.,Wong,A.,&Yang,C.S.(1975).AVectorSpaceModelforAutomaticIndexing.Commun.ACM,Vol.18(11),pp.613–620.35.Sarwar,B.,Karypis,G.,Konstan,J.,&Riedl,J.(2000).AnalysisofRecommendationAlgorithmsfore-Commerce.Proceedingsofthe2NdACMConferenceonElectronicCommerce,NewYork,NY,USA,pp.158–167.36.Sarwar,B.,Karypis,G.,Konstan,J.,&Riedl,J.(2001).Item-basedCollaborativeFilteringRecommendationAlgorithms.Proceedingsofthe10thInternationalConferenceonWorldWideWeb,NewYork,NY,USA,pp.285–29537.Sarwar,B.M.,Konstan,J.A.,Borchers,A.,Herlocker,J.,Miller,B.,&Riedl,J.(1998).UsingFilteringAgentstoImprovePredictionQualityintheGroupLensResearchCollaborativeFilteringSystem.Proceedingsofthe1998ACMConferenceonComputerSupportedCooperativeWork,NewYork,NY,USA,pp.345–354.38.Sinha,R.,Sinha,andR.,&Swearingen,K.(2001).ComparingRecommendationsMadebyOnlineSystemsandFriends.ProceedingsoftheDELOS-NSFWorkshoponPersonalizationandRecommenderSystemsinDigitalLibraries.39.Sugiyama,K.,&Kan,M.-Y.(2010).ScholarlyPaperRecommendationviaUser’sRecentResearchInterests.Proceedingsofthe10thAnnualJointConferenceonDigitalLibraries,NewYork,NY,USA,pp.29–38.40.Tan,P.-N.,Steinbach,M.,&Kumar,V.(2005).Introductiontodatamining.Boston:PearsonAddisonWesley.41.Wang,H.-F.,&Wu,C.-T.(2012).Astrategy-orientedoperationmoduleforrecommendersystemsinE-commerce.Computers&OperationsResearch,Vol.39(8),pp.1837–1849.42.Wang,K.,Tang,L.,Han,J.,&Liu,J.(2002).TopDownFP-GrowthforAssociationRuleMining.,AdvancesinKnowledgeDiscoveryandDataMining.pp.334–340.43.Wang,Y.,Liu,J.,Dong,X.,Liu,T.,&Huang,Y.(2012).PersonalizedPaperRecommendationBasedonUserHistoricalBehavior.InM.Zhou,G.Zhou,D.Zhao,Q.Liu,&L.Zou(Eds.),NaturalLanguageProcessingandChineseComputing,SpringerBerlinHeidelberg.Retrievedfrom,pp.1–12.44.Xiaoyun,C.,Yanshan,H.,Pengfei,C.,Shengfa,M.,Weiguo,S.,&Min,Y.(2009).HPFP-Miner:ANovelParallelFrequentItemsetMiningAlgorithm.InFifthInternationalConferenceonNaturalComputation,2009.ICNC’09,Vol.3,pp.139–143.45.Zaki,M.J.(2000).ScalableAlgorithmsforAssociationMining.IEEETrans.onKnowl.andDataEng.,Vol.12(3),pp.372–390. 三、網路部分1.OpenAccess,AssociationofResearchLibraries,http://www.arl.org/focus-areas/open-scholarship/open-access。

   國圖紙本論文 推文 網路書籤 推薦 評分 引用網址 轉寄                                                                                                                                                                                                                    top 相關論文 相關期刊 熱門點閱論文 1. 圖書館個人化館藏推薦系統 2. 語意擴充式文件推薦方法之研究 3. 植基於個人本體論模型與合作式過濾技術之中文圖書館推薦系統 4. Web2.0概念的圖書館個人化推薦系統 5. 植基於個人本體論的圖書館推薦系統—以中興大學圖書館為例 6. 電子商務推薦系統模型之初探 7. 基於個人本體論與MapReduce技術之圖書推薦系統 8. 使用分群結合技術增進線上產品的推薦–以MovieLens為例 9. 以多重觀點本體論驅策之系統發展方法 10. 動態協同式過濾推薦之系統實做 11. 整合內容導向式方法與混合式協同過濾之電影推薦 12. 植基於可拓理論以探勘大型資料庫中頻繁項目之方法 13. 結合量化關聯規則於協同式推薦方法之研究 14. 發展一個情境式個人化旅遊序列推薦系統 15. 以MapReduce為基礎之混合式行動圖書推薦系統   無相關期刊   1. 關聯性共同作者及權威引用擴散之論文推薦系統 2. 基於主題模型之論文推薦系統 3. 專業性社交媒體網站之探討 4. 資訊倫理涉入度對其豐富度認知與學習成效影響之探討 5. 從精品飾品設計展覽活動看雲端行銷經營成效 6. 各種協同過濾推薦系統之比較 7. 供應鏈風險管理策略運用之研究 8. 墮胎罪與胎兒「生存能力」的刑法意義 9. 天然石材養護知識管理有關水對石材病變影響之研究 10. 即時通訊軟體LINE使用行為對人際關係及網路成癮之研究－以高雄市國中生為例 11. 國小教師對網路銀行使用特性分析及其行銷策略之研究-以高雄地區為例 12. 植基於引文分析之研究論文推薦系統 13. 企業虛實整合商業模式研究-以A潛水業者經營為例 14. 產業價值活動與關係行銷於S.E.E.方法論之探討：以雄獅旅遊為例 15. 應用模糊語意法於具顧客偏好之遊程推薦系統設計─以墾丁社區生態旅遊為例     簡易查詢 | 進階查詢 | 熱門排行 | 我的研究室