第三章 研究方法
3.3 推論代理人
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
步驟 7 透過推論代理人，從使用者回饋資訊中推論出有助於社群互動的潛在資 訊，並存入潛在資訊資料庫。
步驟 8 顯示代理人根據步驟 7 所推論出的潛在資訊將新聞內容重新組織，並且更 新顯示出最新社群資訊，然後送交使用者介面，以排版顯示呈現給讀者進 行新聞閱讀。
其中，步驟 3 到步驟 8 是一個重複執行的迴圈，而每一位使用者所看到的包含熱門 新聞排序、分歧度新聞排序、焦點新聞排序、新聞點閱率及新聞註解等新聞資訊，都是 系統依據所收集到的使用者資訊所統計、推論或累積閱讀知識的結果，並且這些資訊是 以動態更新方式呈現，經由不斷的累積使用者資訊、改變其焦點列表、更新社群資訊，
藉此達到結合「系統」、「內容」及「社群」三方的資訊造用過程。
3.3 推論代理人
焦點新聞不論是在報紙或是新聞網站中，都扮演非常重要的角色，是使用者瀏覽重要新 聞事件的開端，與一般新聞網站不同，本研究所發展系統希望從使用者回饋自動調整決 定出焦點新聞列表，並且驗證此一機制支援團體互動討論之效益。其基本概念是焦點新 聞應是被使用者熱烈討論和點閱的，同時，如 Surowiecki 所述[39]，在團體討論過程中，
應該盡量鼓勵不同意見的發言，也就是說意見分歧的狀態從社群經營角度屬於一種良性 的互動，可促使社群成員更熱烈的參與其中，因此，本研究提出分歧度來量化使用者意 見分歧的程度，整合意見分歧高並且被使用者熱烈討論及點閱的新聞，將其放置於焦點 新聞列表之中，讓使用者更熱烈的參與新聞事件的討論。簡言之，本研究提出的焦點新 聞演算法考量因素有三：首先是焦點新聞應是大眾看法較為分歧的新聞；其次是焦點新
‧
理論中熵（Entropy）常常被用來量化資訊的混亂程度，因此本研究採用 Shannon’s Entropy[32]來量化讀者對於新聞評價分歧的程度。評分行為最能代表使用者對於一則新‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
以很容易的達到吸引造訪者與社群成員的需求，除此之外，本研究更加入「分歧度」的 考量，以鼓勵使用者參與這些互動之中，並同時基於「熱門度」、「話題性」及「分歧度」
推論出「焦點分數」，作為挑選焦點新聞列表的依據。由於分歧度、話題性及熱門度皆 具有模糊性，若以訂定一門檻的方式來決定分歧度及熱門度是否足夠，太過武斷，為解 決此問題，模糊理論是一個可行方法。因此本研究採用從使用者顯隱性回饋歸納出的分 歧度、話題性與熱門度為基礎，透過模糊邏輯推論（fuzzy logic inference）[21]評估新聞 焦點分數，作為將焦點新聞呈現在首頁的依據。
3.3.4 模糊邏輯推論
圖 3.3 為模糊邏輯推論的基本架構，完整的模糊邏輯推論共包含四個主要部分：
1. 知識庫（Knowledge Base）：主要儲存模糊集合、歸屬函數及模糊規則等定義。
2. 模糊化（Fuzzification）：接收資料進行模糊化工作，透過知識庫所提供的歸屬 函數，將觀測到的數據轉換到對應的值域。
3. 模糊推論引擎（Fuzzy Inference Engine）：結合資料模糊化之後的結果與知識庫 所提供的模糊規則進行模糊推論。
4. 解模糊化（Defuzzification）：將推論後的結果進行解模糊化，產生一個明確的 數值。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 3.3 模糊邏輯推論基本架構[21]
3.3.5 決定模糊歸屬函數
本研究採用的輸入歸屬函數如圖 3.4 所示，歸屬函數的最大最小值分別為分歧度、話題 性及熱門度正規化之後的最大及最小值，圖中的三個中心點
c
1、c
2與c 分別為整體資料3 中的第一四分位數（first quartile）、平均數（average）與第三四分位數（third quartile），詳細的模糊集合歸屬函數方程式歸納如表 3.1。輸出歸屬函數如圖 3.5 所示，其中心點的 決定取決於本研究想要讓隱性回饋多大程度的涉入系統，顯然中心點的決定並無標準答 案，而本研究將中心點分別定為 0.75、1 與 1.25。
圖 3.4 分歧度、熱門度及話題性之歸屬函數圖形[44]
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
3.3.6 建立模糊規則
模糊規則主要是由「分歧度」、「熱門度」及「話題性」三個維度所構成，而三個維度皆 定義了三個歸屬函數，因此本研究共訂定二十七條模糊規則，而這些規則主要是依據 Surowiecki 的團體討論策略中鼓勵不同意見的原則而制定的，這些模糊規則的目的是將 意見較為分歧，並且受到社群熱絡討論與瀏覽的新聞賦予較高的焦點分數。以規則 1 為 例，表示若瀏覽分數低（V . Low）、討論分數低（D . Low）且分歧度低（E . Low）則降 低其焦點分數輸出（O . VL）。