模擬實驗

 使用者回饋

當使用者呼叫網路服務之後，我們提供了一個介面，讓使用可以給予網路服務評 分回饋，並儲存於 Feedback Database。圖 4-12 是 SpotService_B 的評分回饋頁面，當 使用者呼叫網路服務後，可以點選回饋的連結，連結到回饋評分頁面給予網路服務評 分回饋；圖 4-13 為評分回饋資料儲存資料表。

圖 4-12 評分回饋頁面

圖 4-13 評分回饋資料表

值越小。

(4.1) N 代表系統選出來的服務個數

為網路服務 i 在使用者的評分排名的名次

假設系統所選出來排名前三名的網路服務，在使用者的評分排的名次分別為 1、

5、7 名，MAP 的計算方式如下：

在本論文設計了三個實驗：實驗一是當篩選的網路服務數量不同時，觀察 MAP 的變化；實驗二是當使用者數量不同時，觀察 MAP 的變化，並加以分析；實驗三是 共同以 100 個使用者對 30 個網路服務分別以三種個人化方法進行網路服務選擇，以 每個方法所計算出來 Top-3、Top-5、Top-10 的網路服務推薦給使用者，觀察這三種 方法之 MAP 值。

實驗一：本實驗假設 10 個不同的使用者，在本系統搜尋網路服務時，本系統篩 選出 10 個、20 個、30 個網路服務，並根據系統選擇出的前三名網路服務計算不同使 用者的 MAP 值，觀察篩選後的網路服務數量不同時，本系統的準確率與效能。實驗 數據顯示於表 4-4。

表 4-4 網路服務個數不同之 MAP 值

使用者 服務個數

1 2 3 4 5 6 7 8 9 10

10 個 0.758 1.000 0.495 1.000 0.615 0.439 1.000 0.500 1.000 0.491 20 個 0.533 1.000 0.679 1.000 0.700 0.558 1.000 0.657 1.000 0.528 30 個 0.867 1.000 0.833 1.000 1.000 0.806 1.000 0.806 1.000 0.806

圖 4-14 中顯示當系統透過篩選的網路服務 10 個時，不同使用者之間的 MAP 值 波動比較大，但當網路服務增加到 30 個的時候，平均每個使用者的 MAP 值都在 0.8

以上。由此圖可知道，當系統中註冊可用的網路服務越來越多時，本論文提出的個人 化網路服務選擇機制，會越趨穩定。

圖 4-14 網路服務個數不同之 MAP 比較

實驗二：本實驗設定不同數量的使用者使用本系統時，針對 30 個網路服務進行 個人化選擇，並根據系統選擇出來的前三名(Top-3)、前五名(Top-5)、前 10 名(Top-10) 的網路服務，計算其平均 MAP 值，此目的在觀察本系統的使用者數量多寡，本系統 的準確率如何。實驗數據如表 4-5。

表 4-5 使用人數不同與 Top-k 不同的 MAP 值

人數 Top-k

100 200 300 400 500 600 700 800 900 1000 Top-3 0.784 0.811 0.819 0.823 0.837 0.847 0.841 0.840 0.845 0.840 Top-5 0.802 0.829 0.833 0.837 0.846 0.850 0.850 0.846 0.853 0.851 Top-10 0.845 0.851 0.840 0.843 0.852 0.854 0.854 0.847 0.849 0.847

圖 4-15 為系統的使用者人數的不同時，經過本論文方法來選擇出的網路服務的 平均 MAP 值。由圖可看出，本系統選擇出的 Top-3，當使用者人數越多時 MAP 越來 越穩定。而 Top-5 與 Top-10 的平均 MAP 值，比 Top-3 的平均 MAP 值高，因為當系 統顯示推薦選擇個數較多，系統選到使用者所喜好的網路服務，機率也比較高。

0 0.2 0.4 0.6 0.8 1 1.2

1 2 3 4 5 6 7 8 9 10

MAP

使用者

30個網路服務 20個網路服務 10個網路服務

圖 4-15 使用人數不同與 Top-k 不同之 MAP 比較

實驗三：此實驗分別以相似使用者推薦、相似度分數推薦與本論文所提出的個人 化推薦方法，以相同的 100 個使用者針對 30 個網路服務進行選擇，並觀察與比較各 方法之 MAP 值。

1. 相似使用者推薦是以公式(3.2)計算使用者之間的相似度，以相似度最高之使 用者的網路服務評分排名當作網路服務選擇之推薦，本實驗以 100 個使用者 針對 30 個網路服務進行選擇，並計算此方法所推薦前三名(Top-3)、前五名 (Top-5)、前 10 名(Top-10)網路服務的平均 MAP 值，此目的在觀察以相似度 最高者之使用者的網路服務評分排名當作選擇推薦的網路服務，是否能符合 使用者的需求。

2. 相似度分數推薦是以 計算網路服務之推薦分數，

如公式(4.1)，並以分數較高的網路服務推薦給使用者，並分別計算 Top-3、

Top-4、Top-5 之 MAP 值，觀察以相似度分數之推薦方法之精準度。

(4.1)

3. 個人化推薦是以本論文之個人化網路服務選擇方法觀察當推薦 Top-3、Top5、

Top-10 之 MAP 值，觀察本論文之個人化方法之精準度。

0.74 0.76 0.78 0.8 0.82 0.84 0.86

100 200 300 400 500 600 700 800 900 1000

MAP

使用者數量

Top-3 Top-5 Top-10

圖 4-16 不同推薦方法之 MAP 比較

圖 4-16 顯示以相似度最高之使用者的網路服務評分排名當作為網路服務選擇之 推薦時，此方法之 Top-3、Top-5、Top-10 的 MAP 值分別為 0.528、0.533、0.582，此 方法的 MAP 平均值在 0.5 左右，顯示單純以相似使用者推薦方法來幫助使用者選擇 網路服務是難以選擇出符合使用者需求之網路服務；以相似度分數計算方法作為網路 服務選擇推薦時，此方法之 MAP 值比相似使用者推薦方法的 MAP 值明顯的增加許 多，因此相似度分數推薦計算之網路服務選擇方法，可以選擇出比較符合使用者需求 之網路服務，但推薦給使用者的網路服務個數不同時，MAP 值卻沒有明顯的增加，

因為此方法是以零分為基準，再以不同使用者的評價與相似度來計算網路服務之推薦 分數，當某一個網路服務所獲得的評分較少時，此網路服務比較難以推薦給使用者；

以本論文的個人化網路服務選擇方法所選擇的 Top-3、Top5、Top-10 網路服務作為推 薦，其 MAP 值分別為 0.851、0.855、0.856，顯示當加入網路服務所獲得的平均評分 當作網路服務選擇推薦的基準時，當推薦的網路服務個數越多時，MAP 值也會增加，

此推薦方法比較能選擇出符合使用者需求之網路服務。而比較此三種推薦方法，本論 文之個人化推薦方不管是在 Top-3、Top-5、Top-10 的網路服務選擇推薦，都有比較 高的精準度，可以適應不同使用者的喜好與評分，給予適當的個人化網路服務。

因本系統以前三名(Top-3)網路服務為網路服務選擇之推薦，此實驗以相似使用者 推薦、相似度分數推薦與本論文個人化推薦方法之 Top-3 的 MAP 值來比較，觀察當 推薦前三名網路服務時，從圖 4-16 之 MAP 值比較中可以明顯看出本論文之個人化方

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

Top-3 Top-5 Top-10

MAP

相似使用者 相似度分數 個人化推薦

法在選擇 Top-3 的網路服務，MAP 值比較高。而在本論文之個人化網路服務選擇方 法所選擇推薦的前三名網路服務之 MAP 值比相似度分數推薦方法的 MAP 值高，因 此以網路服務所獲得的平均分數為推薦分數的基準，較能幫助使用者選擇出符合使用 者需求的網路服務。