第三章 研究設計
第二節 機器學習
二、 執行階段
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
50
𝑊𝑒𝑖𝑔ℎ𝑡(𝑝) = 𝑉𝑎𝑙𝑢𝑒_ max − 𝑉𝑎𝑙𝑢𝑒_𝑚𝑖𝑛50 (4
𝐴𝑑𝑗𝑢𝑠𝑡_𝑣𝑎𝑙𝑢𝑒(𝑝) = (𝑉𝑎𝑙𝑢𝑒(𝑝) − 𝑉𝑎𝑙𝑢𝑒_min ) ×𝑊𝑒𝑖𝑔ℎ𝑡(𝑝) (5
Score(𝑝) = 50 ± 𝐴𝑑𝑗𝑢𝑠𝑡_𝑣𝑎𝑙𝑢𝑒(𝑝) (6
計算完各節點的配分之後將每個節點所對應的關聯式規則 R 以及配 分資訊儲存至各類別規則資料庫中，在執行階段將會以這些資訊為依據決 定是否推薦新聞。
二、執行階段
執行階段運用訓練階段所分析出的關聯式規則資料庫以及使用者對各體驗 類型的喜好程度來推薦新聞。本研究在此階段輸入未知樣本新聞，首先新聞分析 模組會對此新聞進行分析，並將分析完之資訊分別送入決策評分模組以及個人喜 好體驗評分模組進行評分。在決策樹評分模組中會依照訓練階段得到的各類型新 聞的關聯式規則對新聞進行評分。而在個人喜好體驗評分模組則會透過使用者喜 好的體驗資訊為基礎對新聞進行評分。完成這兩部分的評分之後會將結果皆送至 決策模組整合並判斷是否要推薦該未知新聞。以下分別對各模組進行介紹。
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
52
表 13、體驗重要關鍵因素及新聞類別種類
體驗重要關鍵因素 色香味感受/視聽愉悅/美感要素/同情關懷/煽情感受/共鳴感
受/震撼性/重大意義/反省檢討/聲援呼應/活動宣傳/持續關注/
議題相關性/利害相關
新聞類別 文化藝術類別/設計時尚類別/體育類別/健康類別/影視娛樂類
別/旅遊類別/親子類別/美食類別
II. 決策樹評分模組
在決策樹評分模組中本研究運用訓練階段計算出的各類型新聞之關 聯式規則資訊對新聞進行評分。
Step1 : 從新聞分析模組取得新聞的類別資訊
Step2 : 從使用者行為資料庫當中取得使用者對於各重要關鍵因 素(Factor𝑖 的體驗好感分數 Exp_preference_score(Factor𝑖
Step3 : 從各類型新聞之關聯式規則資料庫中取得此新聞類別的關 聯式規則𝑅𝑖
Step4 : 配對每條關聯式規則𝑅𝑖，若關聯規則條件成立則得到該規 則的規則得分 Score(𝑅𝑖
Step5 : 計算算式(7)，將優化係數(c) 乘上所有規則得分 Score(𝑅𝑖 的和得到決策樹得分(Desiciontree_score)
Desiciontree_score = 𝑐× ∑ 𝑆𝑐𝑜𝑟𝑒(𝑅𝑖) (7
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
53
III. 個人喜好體驗評分模組
Step1 : 將新聞分析模組中分析出來的新聞體驗層面資訊進行配分，
如果某項重要關鍵因素 Factor𝑖 沒有出現在新聞 t 當中，
則設定那一項重要關鍵因素的權重為 0，如果有出現則按照 下 列 式 子 算 出 該 重 要 關 鍵 因 素Factor𝑖 之 配 分 權 重 Exp_weight(Factor𝑖 。算式(8)為配分權重 Exp_weight(Factor𝑖 之計算方式，其中 t 代表新聞，Factor_amount(t 代表該新聞 總 共 擁 有 重 要 關 鍵 因 素 之 總 數 ， 配 分 權 重 Exp_weight(Factor𝑖 等於 1 除以 amount(t 。
Exp_weight(Factor𝑖) = 𝐹𝑎𝑐𝑡𝑜𝑟_𝑎𝑚𝑜𝑢𝑛𝑡(𝑡)1 (8
Step2 : 計算算式(9)，式中之Factor𝑖為重要關鍵因素，從使用者行 為資料庫中取得使用者對每個重要關鍵因素之體驗好感分 數 Exp_preference_score(Factor𝑖 ，將各個重要關鍵因素之體 驗 配 分 權 重 Exp_weight( Factor𝑖 和 體 驗 好 感 分 數 Exp_preference_score(Factor𝑖 相乘之後累加起來，得到對此 新聞的喜好體驗分數 Exp_score。
Exp_score = ∑𝑛𝑖=1Exp_weight(Factor𝑖)×Preference_score(Factor𝑖) (9
IV. 決策模組
Step1 : 取 得 決 策 樹 評 分 模 組 中 算 式 (7) 計 算 出 的 決 策 樹 得 分 Desiciontree_score 和個人喜好體驗評分模組中算式(9) 計算出的喜好體驗分數 Exp_score。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
54
Step2 : 計算算式(8 ，算式中 α 為權重分配係數，α 介於 0 和 1 之間。將決策樹得分 Desiciontree_score 和喜好體驗分數 Exp_score 分別乘上 1-α 以及 α 之後相加，得到最終推薦分 數 Final_score(算式 10 。
Final_score = α × Exp_score + (1 − α) ×Desiciontree_score (10)
Step3 : 若最終推薦分數 Final_score 大於或等於最小推薦分數 Min_suggest_score 則 推 薦 此 新 聞 ， 反 之 ，若 推 薦 分 數 Suggest_score 小於最小推薦分數 Min_suggest_score 則不 推薦此新聞。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
55