以使用者使用應用程式的頻率做推薦

國

立 政 治 大 學

‧

N a

tio na

l C h engchi U ni ve rs it y

24

圖 9 範例二，使用 Minimum Squared Residue II Co-Clustering Algorithm

由以上結果，在使用者分群的部份，我們發現三種演算法都將 User_004 分成一個群集，

另外四位使用者分在第二個群集。在應用程式分群的部份，使用 ITCC 和 MSRICC 所做的 分群結果相同，而 MSRIICC 則是較不同。

以 ITCC 和 MSRICC 的結果分析，在使用者群組 1 中，所有的使用者只有 User_005 並 未使用 App0030，所以我們會將 App0030 推薦給 User_005；同理，我們會將 App0042 推 薦給 User_003。而 MSRIICC 的部分，我們會將 App0030 推薦給 User_005，將 App0042 推 薦給 User_003。

從 3.2.1 和 3.2.2 兩個範例中，我們發現 ITCC 和 MSRICC 兩個演算法，在使用者和應 用程式的分群，皆得到相同的結果，而 MSRIICC 則是有不同的分群結果。

3.2.3 以使用者使用應用程式的頻率做推薦

此範例中，我們以使用者在資料集中，使用該應用程式的頻率做為依據，其值表示使 用頻率，例如 User_004 總共使用了 2361 次的應用程式，其中 App0006 使用了 2007 次，

表示 App0006 佔總使用的百分之八十五，其值以 0.85 表示。圖 10 呈現各使用者在每個應 用程式的使用頻率統計，其中 X 軸代表應用程式及使用者，Y 軸代表被使用的頻率，以 User_004 使用 App0006 頻率最高，為 0.85。App001、App002、App012、App013、

App014、App018、App019、App028、App047 沒有被這 5 個使用者所使用。

‧ 國

立 政 治 大 學

‧

N a

tio na

l C h engchi U ni ve rs it y

25

圖 10 使用者使用應用程式的頻率示意圖

以下為 5 個使用者和 21 個應用程式分別以三種演算法做 Co-Clustering 分群的結果。

分別將使用者與應用程式照分群結果排序，並且聚集了同群的使用者和同群的應用程式，

我們也把應用程式在 Google Play 中的分類於 App Category 欄位標示，使用者及應用程式 以分類後的結果分別排序，並將非 0 值以紅底呈現。

圖 11 範例三，使用 Information Theoretic Co-Clustering Algorithm

圖 12 範例三，使用 Minimum Squared Residue I Co-Clustering Algorithm

‧ 國

立 政 治 大 學

‧

N a

tio na

l C h engchi U ni ve rs it y

26

圖 13 範例三，使用 Minimum Squared Residue II Co-Clustering Algorithm

由以上結果，在使用者分群的部份，我們發現 ITCC 和 MSRIICC 兩種演算法都將 User_004 分成一個群集，另外四位使用者分在第二個群集。在應用程式分群的部份，使用 ITCC 和 MSRIICC 所做的分群結果相同，而 MSRICC 則是較不同。

以 ITCC 和 MSRICC 的結果分析，在第一個使用者群組中，有一半的使用者使用了 App0042，所以我們會將 App0042 推薦給 User_003 和 User_005。而 MSRIICC 的部分，我 們會將 App0016 推薦給 User_006，將 App0006 推薦給 User_002，將 App0030 推薦給 User_006。

由上述三個範例，我們發現各演算法在 App 分類時，不一定會把相同類別的 App 分在 同一個 Cluster。Google Play 的分類使由程式開發者主觀定義的，或許可以反應使用者的 操作方式，稍做調整。

第三章範例主要解釋本研究如何做推薦，並非比較演算法之間的差異。詳見第四章更 大規模的實驗。

‧ 國

立 政 治 大 學

‧

N a

tio na

l C h engchi U ni ve rs it y

27