互動式推論演算法

30

就會將相片分享社群軟體的屬性當作下一階段新的查詢條件，藉由這個動作希望能找 出使用者隱含的需求，推薦最符合需求的雲端服務軟體。

31

圖 8 相似度評估

Step 2: Similarity evaluation

for i=1 to n

for j= 1 to m if ( {} )

(Standardization) = ;

end if;

next j;

sim( = comp( , )* (Standardization), as

next I;

三、第一階段推薦

第三步驟為第一階段推薦，如圖 9 所示，是藉由使用者所勾選之查詢條件與輸入 的目標權重計算出的目標相似度，再用同樣的算法計算個案庫內的個案相似度做比較，

當相似度高於使用者所輸入之門檻值，就會推薦給使用者。

圖 9 第一階段推薦

Step 3: Recommendation case generation

for i=1 to n

if ( sim( threshold )

sug-case = ++;

p++;

end if;

next i;

32

四、例外推論

假設使用者所輸入的門檻值太低，會造成系統推薦個案數過多，當資訊量過於龐 大就會造成發散，不易從中選出較符合需求之個案，為了避免這種狀況，iCSR 系統 在第二階段含以上的推薦結果，均會自動將門檻值設為 90，避免這種資訊發散的情 況產生，如圖 10 所示。

圖 10 例外推論

Step 4: Exception administration

If ( Threshold<90 )

Threshold =90

end if

五、使用者與系統間的互動式推論

第五步驟為使用者與系統間的互動式推論為 iCSR 之特色，主要是透過每一階段 列出之清單給使用者勾選個案，透過使用者所勾選之個案去分析，前一階段所勾選之 個案，透過推論機制分析後，就會產生新的查詢條件，而這新的查詢條件就會被當作 下一階段的查詢條件，列出新的個案給使用者，藉此反覆勾選個案的互動，希望能找 出更適之個案給使用者，如圖 11 所示。

33

圖 11 使用者與系統間的互動式推論

Step 5: interactive reasoning between decision maker and iCSR

show user sug-case set;

for i=1 to p

if ( .check=true)

sel-case= ++;

q++

end if;

next i;

六、目標條件修正和完成推論

第六步驟為目標條件修正和完成推論，如圖 12 所示，當完成推論過程後，按下 結束按鈕，就會將對於軟體更詳細的說明顯示在畫面上。而目標條件修正在系統中是 非常重要的，主要是在使用者勾選個案時，透過推薦機制去計算這些已勾選個案的屬 性值，這時推論機制會利用投票法來決定下一階段的查詢條件，計算出來後，系統會 使用新的值，s 當目標條件去計算相似度。簡單來說就是前一階段所勾選的個案，透 過推論機制的分析，就會變成下一階段的查詢條件，藉此找出使用者所隱含的需求。

圖 12 為修正查詢條件演算法。當使用者確定要更進一步做推薦時，就會呼叫查詢條 件修正演算法。

34

圖 12 目標條件修正和完成推論

Step 6: Target condition revision and reasoning completed

if ( inter-flag = true) & (k m)

T=Agg_fet(sel_case, T);

go step 2;

else

show user sug-case set;

reasoning completed;

end if;

圖 13 修正查詢條件演算法

Agg-fet function algorithm

Agg-fet (sel-case, T)

{

if iL_ColumnSum > true_num / 2 ) &

elseif ((iL_ColumnSum < true_num / 2)&

End f

next j;

35