第五章、 結論與未來研究方向
第二節、 未來研究方向
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二節、 未來研究方向
本研究將文字探勘技術應用於智慧型終端 App 並分析其群集關鍵詞彙以進 行群集命名。針對未來之研究方向，本節提出以下建議：
1. 建立專業領域詞庫，降低雜訊干擾。
未來可選擇具有公信力的 App 介紹網站，收集專業及大眾認可之各 App 介 紹文章，進行文字探勘處理以建立 App 領域之專業詞庫。在分析使用者撰寫之 推薦文章時，可透過專業詞庫的過濾，來擷取文章中曾出現於專業詞庫中的詞彙，
以優化分群效果，並讓關鍵詞彙之萃取能更加精準。
2. 透過文薦摘要技術，以便讓使用者快速了解 App 類型。
利用文件摘要技術將各群集所萃取之關鍵詞彙轉換為能解釋各群集特性之 摘要；透過分群結果及各篇 App 推薦文章中各個詞彙的詞性以分析每群集中的 App 推薦文章，並輸出適當的句子成為摘要；以期能讓使用者藉由閱讀摘要，快 速地去了解各 App 類型之特性。
3. 利用分群結果，進行使用者選購 App 實證研究。
本研究使用平均群內相似度等衡量指標所計算之分群品質來評估分群結果 之品質良窳，以挑選最佳品質之分群。未來可依本研究之分群結果為基礎，進行 相關實證研究，意即分析使用者透過本研究獲得之 App 類型來選購所需的 App，
並以問卷方式來調查使用者對於所選購 App 與實際使用上的滿意程度，以深入 研究後續使用者對 App 選購滿意度之評估。
4. 動態擴增 App 類型，藉以觀察未來 App 趨勢。
在獲得分群結果之後，未來可批次新增 App 推薦文章，並對其進行資料處 理後再利用分類技術將新文章歸類到各群集中，以更加突顯現有 App 類型之特 性，亦可透過新獲得之 App 類型來觀察遊戲類 App 之發展趨勢。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
5. 將分群結果作為 App 遊戲之推薦，開發相關推薦系統。
使用者可透過輸入推薦文，將輸入之推薦文進行文字探勘處理後進行興趣歸 類，或是透過選擇研究中所萃取出的各群集關鍵詞彙來進行興趣歸類。歸類後可 透過文章之間或文章與關鍵詞彙的相似程度，提供給使用者相似度由高到低的 App 遊戲推薦名單，以達到 App 推薦之目的。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
參考文獻
英文文獻
1. 148Apps.biz. (2012). Count of Active Applications in the App Store. Retrieved April 20, 2012, from http://148apps.biz/app-store-metrics/?mpage=appcount 2. Apple. (2012). iTunes Preview. Retrieved April 20, 2012, from
http://itunes.apple.com/us/genre/ios/id36
3. Chen, K. J., & Liu, S. H. (1992). Word identification for Mandarin Chinese sentences. Proceedings of the 14th conference on Computational linguistics , 101–
107. Nantes, France.
4. Engel, J. F., Blackwell, R. D., & Miniard, P. W. (1993). Consumer Behaviour (7th Revised ed.). Chicago: Dryden Press.
5. Fayyad, U. M. (1996). Data Mining and Knowledge Discovery: Making Sense Out of Data. IEEE Expert: Intelligent Systems and Their Applications, 11(5), 20–25.
6. Feldman, R., & Dagan, I. (1995). Knowledge discovery in textual databases (KDT).
Proceedings of the First International Conference on Knowledge Discovery and Data Mining , 112–117. Montreal, Canada.
7. Hennig-Thurau, T., Gwinner, K. P., Walsh, G., & Gremler, D. D. (2004).
Electronic word‐of‐mouth via consumer‐opinion platforms: What motivates consumers to articulate themselves on the Internet? Journal of Interactive
Marketing, 18(1), 38–52.
8. Jain, A. K., & Dubes, R. C. (1988). Algorithms for clustering data. Upper Saddle River, NJ, USA: Prentice-Hall, Inc.
‧
9. Lai, C. H., & Liu, D. R. (2009). Integrating knowledge flow mining and
collaborative filtering to support document recommendation. Journal of Systems
and Software, 82(12), 2023–2037.
10. Nie, J. Y., Brisebois, M., & Ren, X. (1996). On Chinese text retrieval. Proceedings
of the 19th annual international ACM SIGIR conference on Research and
development in information retrieval , 225–233. New York, USA.
11. Salton, G., & Buckley, C. (1988). Term-weighting approaches in automatic text retrieval. Information Processing & Management, 24(5), 513–523.
12. Salton, G., Wong, A., & Yang, C. S. (1975). A vector space model for automatic indexing. Commun. ACM, 18(11), 613–620.
13. Simoudis, E. (1996). Reality Check for Data Mining. IEEE Expert: Intelligent
Systems and Their Applications, 11(5), 26–33.
14. Sproat, R. W., & Shih, C. (1990). A statistical method for finding word boundaries in Chinese text. Computer Processing of Chinese and Oriental Languages, 4(4), 336–351.
15. Sullivan, D. (2001). Document Warehousing and Text Mining: Techniques for
Improving Business Operations, Marketing, and Sales. New York, NY, USA: John
Wiley; Sons, Inc.16. Tan, A. (1999). Text mining: The state of the art and the challenges. Proceedings
of the PAKDD 1999 Workshop on Knowledge Disocovery from Advanced
Databases , 65–70. Beijing, China.
17. Teng, W. G., & Lee, H. hsien. (2007). Collaborative Recommendation with Multi-Criteria Ratings. Journal of Computers, 17(4), 69–78.
18. Yang, Y., Carbonell, J. G., Brown, R. D., Pierce, T., Archibald, B. T., & Liu, X.
(1999). Learning approaches for detecting and tracking news events. IEEE
Intelligent Systems and their Applications, 14(4), 32–43.
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
19. You, J. M., & Chen, K. J. (2006). Improving context vector models by feature clustering for automatic thesaurus construction. Proceedings of the Fifth SIGHAN
Workshop on Chinese Language Processing ,1–8. Sydney, Australia.
中文文獻
1. SmartMobix. (2012). 移動裝置上使用時間何者最多？使用者：App. 行動智庫.
Retrieved January 25, 2012, from http://www.smartmobix.com.tw/flurry_20110622 2. 吳文峰. (2002). 中文郵件分類器之設計及實作. 逢甲大學資訊工程系碩士論文.
3. 巫啟台. (2002). 文件之關聯資訊萃取及其概念圖自動建構. 國立成功大學資 訊工程學系碩士論文.
4. 林姿旻. (2011). 數位遊戲之行動載具使用者行為與開發分析─以智慧型手機 為例. 國立政治大學數位內容碩士論文.
5. 胡秀珠. (2011). 55%業者一年內推出 App 服務. 創新發現誌. Retrieved March 5, 2012, from http://ideas.org.tw/magazine_article.php?f=464
6. 郭芳菲. (2003). 利用和絃特徵探勘音樂旋律曲風之研究. 國立政治大學資訊 科學學系碩士論文.
7. 陳柏均. (2011). 文件距離為基礎 kNN 分群技術與新聞事件偵測追蹤之研究.
國立政治大學資訊管理學系碩士論文.
8. 陳崇正. (2009). 應用網路書籤與 VSM 相似度演算法於強化實踐社群的形成.
國立中央大學資訊工程學系碩士論文.
9. 楊智凱. (2007). 唐詩推薦系統之研究. 亞洲大學資訊科學與應用學系碩士論文.
10. 盧希鵬. (2005). 網路行銷：電子化企業經營策略.台北市:雙葉書廊有限公司.
11. 胡國信. (2005). 具分群機制之遞增式最鄰近分類學習法 --垃圾郵件過濾之應 用. 國立屏東商業技術學院資訊管理學系碩士論文.