第一章 研究動機與目的
第二節 研究目的
（資料來源：comScore）
第二節 研究目的
如何推薦給使用者所想要觀看到的內容成為了學者們爭相研究的題目，許多 學者提出使用機器學習的演算法，針對使用者進行分析並推薦新聞。其中演算法 大 致 上 可 以 分 為 兩 種 ， 一 種 是 以 內 容 為 底 進 行 的 推 薦 (content-based recommendation ） ， 另 外 一 種 則 是 透 過 使 用 者 群 的 演 算 法 來 推 薦 新 聞 內 容
（collaborative filtering），這種演算法就不針對新聞的內容分析[4]。
以內容為底進行的新聞推薦部分（content-based recommendation），Kompan, M.和 Bieliková, M.,提出了以餘弦相似度（cosine-similarity）演算法針對內容運算 來推薦新聞[5]。也有學者提出 Hermes framework [6]和 Athena framework[7]，
對內容進行知識本體（Ontology）的比對和分析之後推薦新聞。
130
‧
另外，透過使用者群的演算法來推薦新聞內容（collaborative filtering）的部 份，Joseph A. Kostan 等學者將 collaborative filtering 的演算法使用在 Usenet news 中[8]。Google 在 2007 年也提出了延展性高的 collaborative filtering 推薦[9]。
除了上述兩類型的演算法之外， google 在 2010 年提出另一種演算法[10]
content-based recommendation
可以提供讀者喜歡的 領域的熱門文章
無法針對讀者個人喜歡的 體驗進行分析推薦
collaborative filtering 能夠對同類型興趣的 人推薦該類型的新聞
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
12
阿里巴巴集團董事局主席兼執行長馬雲曾說：體驗很有意思，就是感受，上 世紀講了很多服務，不斷地增加服務能力，其實客戶要的不是服務，而是體驗。
近來對於消費者和使用者而言，消費者和使用者喜好的不只是訊息或服務的本身，
而是整個服務所給人的體驗。像是買電子產品時，相較於過去產品只是擺設在產 品架上，現在的商店都會擺設實機在店中供消費者體驗以及使用。經營書店時也 不再只是顧慮到書種類的齊全，數量的多寡而已，如何營造出好的體驗成為了吸 引人潮的關鍵。另外消費者也會願意花相當的金費去得到一個難忘的體驗，比如 說去遊樂園遊玩，農場生活體驗，或是創造出一個生日的驚喜等等。
Pine and Gilmoe(1998)在"體驗經濟(The Experience Economy)“[11]一書中 就提到，過去從農業經濟時代 、工業經濟時代、服務經濟時代，到現在進入到 了體驗經濟的時代，透過體驗可用來創造使用者難以忘懷的感受，而增加該服務 所帶來的效益。另外 Schmitt 在 1997 年則提出了具體的體驗分類模組，可將體驗 大致分成感官式(sense)、情感式(feel)、思考式(think)、行動式(act)以及關聯(relate) 式體驗[12]。
雖然依靠點擊率進行推薦可以推薦出最熱門的即時話題，但除了熱門的即時 話題之外，尚有其他多樣化的新聞內容，其中較軟性的議題像是旅遊或是親子議 題等等就較不能用點擊率作為推薦的依據，而是需要針對使用者喜好的體驗進行 分析再加以推薦。因此本研究想要針對新聞的體驗構面，結合機器學習的演算法 來建構一套推薦系統。
擁有巨大的資料量的時候，透過機器學習和資料探勘的演算法，可以對巨大 的資料進行統計，比對，解析，針對特定的問題能夠產生出客觀的結果，這樣的
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
13
方法和技術被廣泛運用在電子商務，社群網路，醫療記錄，甚至是科學的分析。
不少的公司會運用機器學習的技術來預測並推薦使用者感有興趣的內容。
機器學習中有許多的方法，像是集群法，決策樹，類神經網路，基因演算等 等方法，分別使用不同的演算方法對資料進行分析，其中決策樹是一種樹狀資料 結構的預測模型，能夠產生歸納性原則也兼具直覺的表達優點。
本研究嘗試建立一個考慮使用者體驗喜好之電子新聞推薦模型。Schmitt 在 1997 年提出的體驗模組：感官式(sense) 體驗、情感式(feel) 體驗、思考式(think) 體驗、行動式(act) 體驗以及關聯式(relate)體驗。我們以此體驗模組為基礎了解 使用者對各體驗之重視程度，並運用機器學習的決策樹演算法，分析使用者重視 的體驗類型以及使用者喜好的新聞類別之關聯式規則，再結合使用者重視之體驗 類型和關聯式規則建立新聞推薦模型。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
14