第七章 結論與未來發展
7.2 未來發展
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
饋上我們可以發現，在 OLAP 系統中提供一個有效的推薦系統給使用者使用，是 可以協助降低使用者解決問題與系統學習的時間，另外在知識的分享上也是有很 大的成效，進而提升使用者對於 OLAP 使用的意願，最終可以讓 OLAP 系統在企 業內部發揮預期的成效。
7.2 未來發展
本篇論文旨在 OLAP 系統中，依據使用者的互動狀況與相似度的判斷，篩選出最適合的 推薦項目。在本次的實驗結果中，我們可以發現社會網絡分析結果對於在 OLAP 的推薦 機制上存在明顯的幫助，在後續的研究上除了可運用關聯互動分析結果與中心性加權在 相關的輔助機制上，也建議朝下列兩個方向進行改善：
(1) 候選項目演算法的改善：在此次的研究中，最大使用人次選擇推薦機制的候選項 目評斷上，我們需要逐一取出各候選項目，然後計算各別的連結人次並且作加權 效果，但是此方式在候選項目過多時會非常耗時，因此建議可嘗試加入新的演算 法改善判斷上的速率。
(2) 社群網絡分析擴充：在本次的研究上，每個節點間的連結我們是利用操作模式的 相似度來表示，並且依據關聯的次數做為每個邊的權重，用以在建立虛擬的部門 子群並且做老手程度加權上使用，建議在後面的研究上除了可以在操作模式的相 似度上再找一些新的因素外，我們也建議嘗試利用使用者在基本資料或者是喜好 資料上的關聯做為節點之間的邊，做為提升推薦精確度使用。
(3) 老手程度加權係數的補強：有的專家可能是在以往的工作上培養對於 OLAP 系統 的能力，但是其操作紀錄並未保存在現有的操作紀錄資料庫內，因此需要藉由一 段時間的資料累積才能夠有效的反應此類型的專家，因此在後續的研究上，可以 思考如何改善此部分的不足或者是縮短系統學習的時間。
(4) 本次的研究上，我們是利用使用者在一個月內的操作資料進行分析，因此未考慮
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
到推薦項目時效性的因素，舉例來說在母親節時候大家經常關心的內容，在於母 親節過後該主題就會失去其有效性，因此建議在後續的研究中可以針對推薦項目 的最近一次操作時間與當月操作次數作加權，用以降低時效性或者是特殊事件對 於推薦正確的影響。此外在資料時的效性上，由於最大使用人次選擇推薦機制在 推薦的評比上是利用人次的方式，而最大信心度選擇法推薦機制在推薦的評比上 是利用項目出現的次數，理論上前者在於反應時效性上的時間應該會後者來的短，
因為後者通常都要是大家在於使用上的次數大於前者時才會顯現出新的議題，但 是前者只要是同部門內看的人變多的時候，新的知識就會很容易被挑選出來，這 部分可提供為後續研究上的觀察重點。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
參考文獻
[1] Freeman, L. C. “Centrality in Social Networks: Conceptual Clarification,” Social
Networks, 1, 215-239, 1979.
[2] D.J. Brass, and M.E. Burkhardt, “Centrality and Power in Organization,” in Noria, N. &
Eccles, R. G. (Eds.) Networks and Organizations: Structure, Form and Action, Boston, Massachusetts: Harvard Business School Press, pp.191-215, 1992.
[3] M. S. Granovetter , "Problems of Explanation in Economic Sociology", in N. Nohria and R. Eccles (Eds), Networks and Organization: Structure, Form, and r Action, pp.25-62, 1992.
[4] S. Wasserman, and K. Faust, Social Network Analysis: Methods and Applications, New York, Cambridge University Press, 1994.
[5] J.A. Konstan, B.N. Miller, D. Maltz, J.L. Herlocker, L.R. Gordon, J. Riedl, “Applying Collaborative Filtering to Usenet News,” Communications of the ACM 40(3), pp.
77–87, 1997.
[6] J. Han, “OLAP Mining: An Integration of OLAP with Data Mining,”in Conference
Tutorial: Integration of Data Mining and Data Warehousing Technologies. (Microsoft
PowerPoint slides), ICDE 1997.
[7] M. Balabanovic and Y. Shoham, “Fab Content-based, collaborative recommendation,”
Communications of the ACM (40:3), pp.66–72, 1997.
[8] M. Golfarelli and S. Rizzi, “Conceptual design of data warehouses from E/R schemes,”
in Proc. 31st Hawaii International Conference on System Sciences, 1998.
[9] C. Sapia, “On Modeling and Predicting Query Behavior in OLAP Systems,” in Proc. of
the International Workshop on Design and Management of Data Warehouses
(DMDW’99), 1999.‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
[10] I. Zukerman D. Albrecht and A. Nicholson “Predicting Users’ Requests on the WWW,” in Proc. of the 7th International Conference on User Modeling. Springer- Verlag,1999
[11] L. Page, S. Brin, R. Motwani, and T. Winograd. The PageRank Citation Ranking:
Bringing Order to the Web, 1999.
[12] A. Ansari, S. Essegaier, and R. Kohli, “Internet recommendation systems,” Journal of
Marketing Research, 37(3): 363, 2000.
[13] C. Sapia, “Predicting Query Behavior to Enable Predictive Caching Strategies for OLAP Systems,” PROMISE, in Y. Kambayashi, M. Mohania, A.M. Tjoa, (eds.)
DaWaK 2000, LNCS, vol. 1874, pp. 224–233. Springer, Heidelberg.
[14] J. Han and M. Kamber, Data Mining: Concepts and Techniques: Measure the quality of
a recommendation, Morgan Kaufmann., 2000.
[15] M. Newman, “The Structure and Function of complex Networks,” SIAM Review, 45(2), 2003.
[16] W.D. Nooy, Exploratory Network Analysis with Pajek, New York: Cambridge University Press, 2005.
[17] B. Satzger, M. Endres, and W. Kießling, “A Preference-Based Recommender System,”
in Bauknecht, K., Pröll, B., Werthner, H. (eds.) EC-Web 2006, LNCS, vol. 4082, pp.
31–40, 2006.
[18] M. E. J. Newman, “Modularity and community structure in networks,” Proceedings of
the National Academy of Sciences, 103(23), pp. 8577-8582, 2006.
[19] A. Giacometti, P. Marcel, and E. Negre, “A Framework for Recommending OLAP Queries,” in International Workshop on Data Warehousing and OLAP, pp. 73–80.
ACM, New York, 2008.
[20] Y.-T. Chen and P.-Y. Hsu, “Supporting Tools to Query Data in Business Intelligence
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
Systems,” in Proc. of International Conference on Business and Information, (BAI2008), 2008.
[21] H. Jerbi, F. Rava, O. Teste, and G. Zurfluh, “Applying Recommendation Technology in OLAP Systems,” in Proc. of International Conference on Enterprise Information