產生推薦清單

前述產生相同興趣讀者群和館藏與讀者的表示式都是離線 (Offline) 作業，在系統 作業之前就必須準備好，其主因為關聯規則探勘的工作通常需要花費冗長的時間。之後 產生推薦清單的工作就是直接在線上 (Online) 作業。

產生推薦清單的工作主要分成如下幾個步驟：

1. 找出跟讀者具有相同興趣的同好

首先從先前以乏析式資料探勘所得之相同興趣讀者群中，找出包含目標讀 者的頻繁項目集，在這些頻繁項目集中的其他讀者就是和目標讀者具有相同借 閱興趣的同好群。以表 22 為例，若想找出讀者 3 的同好，則必須先找出包含讀 者 3 的頻繁項目集，將這些頻繁項目集聯集，則可以得到讀者 3 的同好群 {1, 2, 5, 7, 8, 9} = ({1, 2, 3, 5}∪{2, 3, 8, 9}∪{3, 7, 9}∪{1, 3, 7, 8}∪{2, 3, 7, 9})－{3}。

# 頻繁項目集

S001 {1, 2, 3, 5}

S002 {2, 3, 8, 9}

S003 {3, 7, 8}

S004 {1, 3, 7, 8}

S005 {2, 3, 7, 9}

表 22 包含讀者 3 的頻繁項目集

2. 找出同好的借閱歷史

找出目標讀者的同好群之後，開始檢索這些同好的借閱歷史檔。假設讀者 3 和其同好群{1, 2, 5, 7, 8, 9}曾借閱過的書如表 23，則從表 23 中可以找出讀者 3

的同好群借過但是讀者 3 沒借閱過的書籍，並且可以算出每本書的推薦度。協 力式過濾推薦度的算法為同好借閱次數除以同好數，參考方程式 6，如書 G 曾 被四個同好借過，而讀者 3 的同好共有六人，所以書 G 的推薦程度為 4/6=0.66。

表 24 即為讀者 3 所得到的推薦書目和每本書的推薦度，表中的書目以推薦度排 序。

讀者 借閱書籍

1 A, B, C, E, G, H, I 2 A, B, D, G

3 A, B, E, H, J 5 B, E, I, J 7 B, C, D, F, G, I 8 A, D, E, H 9 C, F, G, H, J

表 23 讀者借閱歷史

推薦書目 同好借閱次數 推薦度 G 4 4/6 = 0.66 C 3 3/6 = 0.50 D 3 3/6 = 0.50 I 3 3/6 = 0.50 F 2 2/6 = 0.33

表 24 讀者 3 在協力式過濾推薦裡得到的推薦數目

3. 計算推薦清單與讀者興趣的符合度

因為同好的推薦清單並不一定完全符合讀者的興趣，所以必須修正推薦清 單的推薦度，將讀者興趣納入考量。假設每本書的屬性向量表示式如表 25，每

本書均以具 10 個屬性的向量表示(在系統實作時讀者興趣向量的長度為 1000)，

則可以得到讀者 3 的興趣向量為 ( A + B + E + H + J ) / 5 = (0.6, 0.6, 0.28, 0.24, 0.64, 0.12, 0.36, 0.56, 0.24, 0.44)。利用讀者 3 的興趣向量和表 24 中推薦清單中 每本書的屬性向量，用方程式 10 可以計算出讀者的興趣與每本書的符合度，結 果如表 26 所示。

書目 屬性向量

A (1, 0.6, 0.2, 0.4, 0.6, 0, 0.4, 0.6, 0.2, 0.2) B (0.6, 1, 0.4, 0.4, 0.6, 0.2, 0.6, 0.4, 0.6, 0.4) C (0.2, 0.4, 1, 0.2, 0.2, 0.4, 0.6, 0.4, 0.4, 0.2) D (0.4, 0.4, 0.2, 1, 0.2, 0.2, 0.4, 0.2, 0.2, 0) E (0.6, 0.6, 0.2, 0.2, 1, 0, 0.2, 0.6, 0.4, 0.4) F (0, 0.2, 0.4, 0.2, 0, 1, 0.4, 0.2, 0.2, 0.2) G (0.4, 0.6, 0.6, 0.4, 0.2, 0.4, 1, 0.4, 0.4, 0.2) H (0.6, 0.4, 0.4, 0.2, 0.6, 0.2, 0.4, 1, 0.2, 0.2) I (0.2, 0.6, 0.4, 0.2, 0.4, 0.2, 0.4, 0.2, 1, 0.2) J (0.2, 0.4, 0.2, 0, 0.4, 0.2, 0.2, 0.2, 0.2, 1)

表 25 書的屬性向量表示式

推薦書目 推薦度 符合度 新的推薦度 (β = 0.2) 排序

G 0.66 0.80 0.772 1

I 0.50 0.75 0.70 2

C 0.50 0.72 0.676 3

D 0.50 0.68 0.644 4

F 0.33 0.46 0.434 5

表 26 推薦書目的新的推薦度和排序

4. 重新排序推薦清單

得到推薦清單中每本書和讀者興趣的符合度後，再搭配之前在協力式過濾 中所得到的推薦度，可以將這兩個分數結合起來根據方程式 11 來計算新的推薦 度，並且對推薦清單重新排序，使推薦清單能更符合讀者的個人興趣，這裡我 們取β 值為 0.2，結果如表 26 所示。

5. 以網頁形式把推薦清單呈現出來

得到最後排序好的推薦清單後，就可以將這些推薦書目呈現出來供讀者參 考。呈現推薦清單的方式是先列出整份清單的書目和一些簡要資訊，例如書名、

作者和出版社這些資料，當讀者有興趣時可以點選書名上的超連結進一步檢視 詳細書目資料，或者也可以點選“書籍簡介”欄位上網路書店的超連結，以連結 到網路書店上觀看書評。圖 18 就是最後推薦結果的呈現畫面。