操作者分群網路模組概念

操作者分群採自適應共振理論網路（ART）來進行操作者社群聚類分群動 作，此網路的架構如圖七，可分為三部份詳述如下：

圖七：ART 操作者分群架構圖

1. 輸入層(Xin)：

由於自適應共振理論網路（ART）輸入處理節點只能為{0，1}的二元值，因 此先將蒐集到的操作者個人權限資料制定出會影響使用Web應用系統的屬 性，並將這些屬性的資料經由正規化轉換為{0，1}二元值的型態，最後轉化 為輸入向量，用[X1

， X

2

， … ， X

in]來表示之，其中Xin∈{0，1}。

2. 輸出層(You)：

輸入層

X

ⁱⁿ 輸出層

Y

ou

Y1 Y2 Yq

X₁ X₂ 操作者屬性輸入 Xq

操作者社群聚類結果

用以表現操作者輸出之分群結果，其處理單元數目在操作過程最初只會有一 個聚類，隨著自適應共振理論網路（ART）操作的進展會逐漸增加群聚節點。

3. 網路鏈結(L^b、L^t)：

網路的每一個輸入層單元與輸出層單元間均有二條網路鏈結，用來建構操作 者社群網路，將前述操作權限屬性向量[X1

， X

2

， . ， X

in]輸入於自適應共振理 論網路（ART），並藉由不同的警戒值（θ ）高低，觀察聚類的結果，選出 較佳的聚類社群。此網路鏈結包括：

(1) 由下而上的加權值L^b：用來計算範例的輸入向量對一輸出層單元的

「匹配值」。

(2) 上而下的加權值L^t：用來判定一個輸出單元是否通過「警戒值測 試」。

操作者分群是以自適應共振理論網路（ART）的演算法為主軸，表四為 操作者分群所採用的所有變數，而其演算法之步驟詳述如下。

表四、操作者分群網路變數定義表

變數 定義

in 輸入向量節點個數。

ou 操作者聚類群組數，1≦ou≦m。

I_n 操作者基本資料屬性。

θ 警戒值0.0≦θ ≦1.0。

L^b 正向鍊結權重，L^b∈{0，1}。

L^t 逆向鏈結權重，L∈{0，1}。

X[i] 輸入向量，X[i] ∈{0，1}，且1≦i≦in Y[j] 輸出向量，X[j] ∈{0，1}，且1≦j≦ou

Net[j] 輸入向量X與第j個輸出節點之匹配值，1≦j≦in j^* 最大匹配值之輸出節點，1≦j≦ou

V^*_j 輸入向量X與輸出節點j相似值，1≦j≦ou Inum 已使用之輸出節點，初始值Inum=0。

步驟1 : 設定n個操作者基本資料屬性X1，X2，… ，Xn，並根據操作屬 性設計相對應的處理單元In=[X1

， X

2

， … ， X

in]，其中in∈[1，2，… ，

m]，X

in∈{0，1}。

步驟2 : 令網路產生ou個輸出分類結果，但一開始的輸出單元僅只有1

個，所以初始值ou=1。

步驟3 : 設定加權矩陣L 為初始值。

L^t[i][j]=1，L^b[i][j]= 1

1 in+ ，其中為輸入之處理單元數，1≦i≦in。

步驟4 : 輸入一個訓練範例的輸入向量X[i]。

步驟5 : 計算其各類之匹配值net[j] 。 net[j]=

1 in

∑

i= ^Lb[i][j]˙X[i]。

步驟6 : 找出匹配值最大之輸出層處理單元net[j^*] 。

net[j^*]=maxj net[j]。

步驟7 : 計算相似值Vj*。

令║x║=

in

i

∑

^X[i]，

令║

L

^t_j*^˙X║=

in

i

∑

X[i][j]˙X[i]，

則

V

^*j^{= *} t

j

X

X

L

^•

。

步驟8 : 測試警戒值θ 。

如果

V

^*_j<θ （警戒值），表示不夠相似，則進行步驟9，否則進行 步驟10，表示夠相似，只須修正加權值即可。

步驟9 : 測試是否還有其他之輸出層單元與之類似。

如果Inum< in，則嘗試下一個具最大匹配值最大之輸出層處理單

元，設定Inum = Inum + 1， net[

j

^{*]=0 。}

否則表示已無輸出層處理單元可供測試相似值，

(1)產生輸出新類別：

設定ou = ou + 1，設定新加權值：

L^t[i][ou]=X[i]，

L^b[i][ou]=

1

[ ] 0.5 [ ]

in

i

X i X i

=

+

∑

^。

(2)設定輸出層單元輸出值：

如果j=j^*，則Y[j]=1，否則Y[j]=0。

(3)重複回到步驟4 (輸入新向量X)。

步驟10 : 修正加權值。

（1）L^t[i][j^*]=L^t[j^*]˙X[i]，

L^b[i][j^*]=

*

* 1

[ ][ ] [ ] 0.5 [ ][ ]

t

in t

i

i X i

i

L j

L j

=

•

+

∑

^。

（2）設定輸出層單元輸出值：

如果j=

j

^*，則 Y[j]=1，否則Y[j]=0。

（3） 若在此一學習循環內未產生新類別，且正好完成一學習循環，則 輸出分群結果並終止執行；否則回到步驟4 輸入新向量X。

由於ART 網路具有快速學習及快速聚類的特性，因此當ART網路預先 依Web應用系統操作者權限屬性聚類並建構好Web應用系統操作者分

群網路時，則可對任何一位線上Web應用系統操作者依Web應用系統操 作者屬性即時的指定其所屬類別。

第三節 介面最佳化之資料探勘模組概念

如何從Web應用系統作者分群中找出適合該操作者之介面最佳化是本研究 的另外一項研究議題，資料探勘中的關聯式法則在本研究是用來尋找網路請購操 作者分群與流程之間的關係，及網路請購操作者在進入系統操作的過程中調整各 步驟的關聯性，因此將這兩個技術合併使用，可以簡單的掌握Web應用系統操作 者的操作特性，並將適當的介面最佳化導入給Web應用系統操作者。

介面最佳化之資料探勘模組是利用 Apriori 演算法探勘出操作者操作介面之 關聯式法則，而後以法則的型態儲存於介面最佳化知識庫中。當有 Web 應用系 統操作者欲進入系統時，Web 應用系統操作者類神經網路聚類分群模組便會自 動依所載入的操作者權限資料選擇適當的操作者分群，並從介面最佳化知識庫中 尋找出該分群較為常用之流程模組導入給該 Web 應用系統操作者使用，以達到 操作介面最佳化目的。

介面最佳化之資料探勘模組將操作介面紀錄的資料整理與蒐集，轉變成陣列 字串之方式存放於介面最佳化知識庫中來進行資訊的獲取。因此能快速且有效的 即時從資料庫中取得導入給系統操作者流程陣列，資料探勘模組其進行步驟說明 如下圖八。

步驟1：訂定Web應用系統各流程基本操作模式。

步驟2：整合與查核流程資料（Integration and Checking）。

步驟3：去除錯誤或不一致的資料（Data Cleaning）。

步驟4：計算各流程之使用率（支持度）。

步驟5：探勘各流程之關聯性法則。

步驟6：解釋與使用資料（Interpretation and Use）

圖八：資料探勘模組其進行步驟

其關聯式法則的產生可以藉由兩個參數來決定：支持度（Support）及信賴度

（Confidence）；支持度定義物項在資料庫中所出現的比例，而信賴度定義此關 聯式法則可信的程度。一般而言，關聯式法則的支持度及信賴度皆必須分別大於

1.訂定 Web 應用系統各流程基本操作模式

2.整合與查核流程資料

（Integration and Checking）

3.去除錯誤或不一致的資料

（Data Cleaning）

4.計算各流程之使用率（支持度）

（Support）

5.探勘各流程之關聯性法則

（Association rule）

6.解釋與使用資料

（Interpretation and Use）

使用者訂定的最小限制，才能判定其為有意義的關聯式法則。

找出Web系統操作介面關聯法則有以下二個步驟:

(1) 首先必須找出足夠大的項目集合（Large Itemsets），即此集合之 交易（Transaction）要能夠滿足其支持度（Support）大於最小支持度

（Minimum Support）的條件。

（2）再使用第一步驟所產生的Large Itemsets 來產生關聯式法則。

Apriori 演算法找出 Web系統操作介面關聯法則之處理程序如圖 八，其處理步驟說明如圖九所示。

操作者權限代碼 操作介面字串陣列

000111 ●A●C●D 001000 ●B●C●E 001100 ●A●B●C●E 001110 ●B●E

流程 支持度 {A} 2 {B} 3 {C} 3 {D} 1 {E} 3

流程 支持度 {AB} 1 {AC} 2 {AD} 1 {AE} 1 {BC} 2 {BD} 0 {BE} 3 {CD} 1 {CE} 2 {DE} 0

流程 支持度 {ABC} 0 {ABD} 0 {ABE} 1 {BCD} 0 {BDE} 0 {CDE} 0 {BCE} 1

圖九：Apriori 演算法找出Web系統操作介面關聯法則之處理程序 1.定義最小支持度及最小信賴度。

2. Apriori演算法使用了候選項目集合（Candidate Itemset）的 觀 念 ， 若 候 選 項 目 集 合 的 支 持 度 大 於 或 等 於 最 小 支 持 度

（Minimum Support），則該候選項目集合為高頻項目集合

（Large Itemset）。

3. 首 先 由 資 料 庫 讀 入 所 有 的 交 易 ， 得 出 候 選 1 項 目 集 合

（Candidate 1-Itemset）的支持度，再找出高頻單項目集合

（Large 1-Itemset），並利用這些高頻單項目集合的結合，產 生候選2 項目集合（Candidate 2-itemset）。

4.再掃描資料庫，得出候選2項目集合的支持度，以後再找出 高頻2項目集合，並利用這些高頻2項目集合的結合，產生候 選3項目集合。

5.重覆掃描資料庫，與最小支持度比較，產生高頻項目集合，

再結合產生下一級候選項目集合，直到不再結合產生出新的候 選項目集合為止。

由上述資料探勘模組探勘出的操作介面關聯導入法則，將儲存於關聯式 法則知識庫中，這些法則型態包括：

1. 每種操作者權限中最常使用單一操作介面導入法則。

2. 每種操作者權限中最常使用兩項操作介面導入法則。

2. 每種操作者權限中最常使用三項操作介面導入法則。

3. 每種操作者權限中最常使用四項操作介面導入法則。

4. 每種操作者權限中最常使用五項操作介面導入法則。

第四節 線上（On-Line）操作介面導入模組概念

Web應用系統之介面最佳化機制導入處理程序，本研究將介面最佳化資料探 勘模組所產生的操作介面關聯性法則儲存於關聯式法則知識庫中，並將操作者相 似度聚類分群資料紀錄於介面最佳化之類神經網路分群模組中。圖十說明了線上 操作介面導入處理程序，其步驟敘述如下：

圖十：線上操作介面導入處理程序

步驟1 : 當操作者進入Web應用系統時將其個人屬性等資料載操作者分 Web 應用系統操

作者進入系統

載入操作者權限 進入流程最佳化

系統

Web 應用 系統資

料庫

流程最佳化系統 回覆最佳化流程 字串供使用者操

作系統依據

關聯式 法則知 識庫

群模組中。

步驟2 : 操作者分群模組會根據輸入的資料自動將此操作者依其輸入 的資料分類至適當的操作者社群。

步驟3 : 由給定之操作者社群至關聯式法則知識庫中找尋相對應的操 作介面導入法則，法則中將各項組合之「最常使用/操作者社群操作介 面」導入適當的操作介面給操作者。

步驟4：收集操作資訊，並將接受導入及不接受導入之狀態紀錄以作為 操作效能提昇之依據。

實例說明：

假設一個會計網路請購操作者其操作權限屬性為100100，經由ART分群機制將此 操作者分群為000000。當此操作者進入網路請購系統後最佳化介面機制將依照 該分群使用者資料探勘後之最多項目組合開始搜尋符合該分群之操作介面導 入。假設導入之介面字串為AAAA11與AAAA22時，操作簡化之介面如表五所 示。

表五、分析範例簡化流程

序號 介面字串 介面流程 簡化流程

1 AAAA11 請購 新增請購 選擇類別 編輯後存入 受款人編輯提示

是

將受款人編輯提 示 是

簡化而直接進入 受款人編輯。

2 AAAA22 請購 新增請購 選擇類別 編輯後存入 直接印表 否

將直接印表 否 簡化而直接進入 購案管理

在文檔中 購系統為例) (頁 39-51)