第一節 結論
近年來社群網站之成立以及行動裝置的普及連結起人與人之間之關係，透過 強連結所連繫之兩人可透過彼此之共同事物來提供更多之資訊給其他人，而手機 與平板則讓每個人都能隨地分享自己的資訊，也可讓區域相近的人們更加地緊密。
就使用者而言，擁有強連結關係的朋友或有地緣關係相近的人所提供之相關資訊 會使人更有高度興趣。因此本研究將傳統搜尋引擎加入社會關係以及地理條件的 計算，預期可改善搜尋品質並提升搜尋者之滿意度。
本研究將透過 Facebook 之塗鴉牆資料作為社會搜尋之依據，接著進行 CKIP 詞庫小組處理和 TF-IDF 計算，最後結合字頻、社會關係與地理條件進行結果排 名，得到社會搜尋之結果。透過本研究之社會搜尋排名結果和加入地理條件之搜 尋排名結果比較後，證實朋友所提供之資訊確實會影響使用者之決策。
本章將針對本研究之結果進行總結分析與探討，從前一章之評估方法結果可 得知不管距離的遠近或是叢聚的相似度等因素都可以優化使用者對於搜尋結果 的滿意度。實驗中針對加入地理條件之社會搜尋結果和未加入地理條件之社會搜 尋結果二部份進行測試比較，並得知在大部分情況下都能讓結果更符合搜尋者的 期望，本研究最後也推測出哪些搜尋行為可考慮不加入地理條件之搜尋，在這些 狀況下僅需透過一般社會搜尋就已足夠。以下章節將依序針對本研究作一個整體 性之結論，以及深入探討其他發現。
本論文在第一章曾經提出三項研究目的，經過研究的進行以及研究方法的實 驗與驗證，可以證明三項目的皆已達成，包括：
1.將社會搜尋技術加入衡量打卡資訊之概念，並設計一個能與社會搜尋相互 影響之搜尋排名機制。
2.探討如何從社群網站中萃取出社會關係，以及GPS的資料如何找尋出使用 者間的相似度。
3.評估本論文所提出之改善社會搜尋技術，並與目前社會搜尋引擎技術進行 比較，結果證明有加入地理條件計算所產生的結果真的優於現有社會搜尋技 術。
第二節 研究限制
1.擷取資料較不完整
你本研究所使用之資料依據為 Facebook 平台，礙於 Facebook 過往之隱私權 問題相當重視，因此本研究進行資料擷取過程中十分困難。透過 Facebook API 所提供之擷取資料方法，所傳回之資料可得到塗鴉牆所有資料。以 like 為例，
若發現資料顯示此筆訊息有 15 人按讚，但資料卻只抓回一筆，因此關於其他按 讚之使用者必須利用手動方式抓回資料，這將耗費相當多的時間。
2.打卡資料不足
由前文所述，所有文章的總數與有打卡的資料相比的差距過大，證明使用者 的打卡行為還不近普遍。所以本研究所提出的論述對於社會搜尋的影響力還並不 非常足夠。
3.權重值無法分析
由於前一點所提的打卡數量不足，目前僅能先對於有無加入地理條件兩者的 情況去分析。本研究中所提出之距離對於搜尋結果之影響度有設定權重常數來決 定，但數量還不足以去證實這樣的設定是否符合實際需求。
第三節 未來研究方向
1.搜尋需求分析
由研究結果來分析，不同於一般搜尋系統單純看字詞量或者網頁的連結重要 程度，社會搜尋著重在人與人之間的關係與多樣的需求，不同的搜尋需求其想要 的結果也為之不同。本研究對於此現象已有作了初步的分析，但僅僅用實驗的結 果數據來分析，未來可針對這樣的問題，去訂定更加明確的實驗步驟，以觀察怎 樣的搜尋需求需要考量什麼樣的條件。
2. 與 Ontology 結合
以本研究實作狀況來說，由於目前尚未有一套關於社會關係之字詞庫。因此 若能與 Ontology 結合，建立起以社群關係為基礎之主題性字詞庫，將可有利於 未來開發者進行研究。
參考文獻
1. A Checkfacebook (2013). CheckFacebook Offers Statistics about Facebook Users. http://www.checkfacebook.com/ [Retrieved 8 May, 2013].
2. Adamic, L., & Adar, E. (2005). How to search a social network. Social Networks, 27(3), pp.187-203.
3. Ali, T., Asghar, S., & Sajid, N. A. (2010, June). Critical analysis of DBSCAN variations. In Information and Emerging Technologies (ICIET), 2010 International Conference , pp. 1-6.
4. Bao, S., Xue, G., Wu, X., Yu, Y., Fei, B., & Su, Z. (2007, May). Optimizing web search using social annotations. In Proceedings of the 16th international conference on World Wide Web, pp. 501-510.
5. Cline, M. S., Smoot, M., Cerami, E., Kuchinsky, A., Landys, N., Workman, C., ...
& Bader, G. D. (2007). Integration of biological networks and gene expression data using Cytoscape. Nature protocols, 2(10), pp.2366-2382.
6. Dodds, P. S., Muhamad, R., & Watts, D. J. (2003). An experimental study of search in global social networks. science, 301(5634), pp.827-829.
7. Evans, B. M., & Chi, E. H. (2008, November). Towards a model of understanding social search. In Proceedings of the 2008 ACM conference on Computer supported cooperative work, pp. 485-494.
8. Gonzalez, M. C., Hidalgo, C. A., & Barabasi, A. L. (2008). Understanding individual human mobility patterns. Nature, 453(7196), pp.779-782.
9. Gou, L., Zhang, X. L., Chen, H. H., Kim, J. H., & Giles, C. L. (2010). Social network document ranking. In Proceedings of Joint Conference on Digital Libraries, June 10-14, 2010, Washington, DC, pp. 313-322.
10. Horowitz, D., & Kamvar, S. D. (2010). The anatomy of a large-scale social search engine. In Proceedings of the 19th international conference on World wide web, pp. 431-440.
11. Long, X., Jin, L., & Joshi, J. (2012). Exploring trajectory-driven local geographic topics in foursquare. In UbiComp, Sep 5-Sep 8, 2012, Pittsburgh, USA, pp.
927-934.
12. Lu, H. H. (2012). Social Search: Applying Social Networks Analysis for Web Search Techniques.
13. Mislove, A., & Gummadi, K. P. (2006). Exploiting Social Networks for Internet Search. The Workshop on Hot Topics in Networks, November 29-30, 2006, Irvine, California, USA, pp.79-84
14. Nguyen, T., & Szymanski, B. K. (2012, August). Using location-based social networks to validate human mobility and relationships models. In Advances in Social Networks Analysis and Mining (ASONAM), 2012 IEEE/ACM International Conference, pp. 1215-1221.
15. Peng, Y., Li, Z., & Xie, G. (2010). Weighting the Edges in Interactive Online Social Network Graphs. In Proceedings of International Conference on Network Protocols, October 5-8, 2010, Japan
16. Sun, C., Shen, X., Tan, B., & Zhai, C. (2005). Capturing and Exploiting Context for Personalized Search. In Proceedings of Workshop on Information Retrieval in Context, August 19, 2005, Salvador, Brazil, pp. 45-47.
17. Thang, T. M., & Kim, J. (2011, April). The anomaly detection by using dbscan clustering with multiple parameters. In Information Science and Applications (ICISA), 2011 International Conference , pp. 1-5.
18. Ucair, C., Shen, X., Tan, B., & Zhai, C. (2005). Capturing and Exploiting Context for Personalized Search. In Proceedings of Workshop on Information Retrieval in Context, August 19, 2005, Salvador, Brazil, pp. 45-47.
19. Vieira, M. V., Bruno M, F., Damaxio, R., Golgher, P. B., Reis, D. de C., &
Ribeiro-Neto, B. (2007). Efficient Search Ranking in Social Networks Categories and Subject Descriptors. In Proceedings of Conference on Information and Knowledge Management, November 6-9, 2007, Lisboa, Portugal, pp. 563-572
20. Wakamiya, S., Lee, R., & Sumiya, K. (2012, September). Crowd-sourced cartography: measuring socio-cognitive distance for urban areas based on crowd's movement. In UbiComp, September 5-8, 2012, Pittsburgh, USA, pp.
935-942.
21. Watts, D. J., Dodds, P. S., & Newman, M. E. (2002). Identity and search in social networks. science, 296(5571), pp.1302-1305.
22. Ying, J. J. C., Lu, E. H. C., Kuo, W. N., & Tseng, V. S. (2012, August). Urban point-of-interest recommendation by mining user check-in behaviors. In Proceedings of the ACM SIGKDD International Workshop on Urban Computing ,pp. 63-70.
23. Zanardi, V., & Capra, L. (2008). Social Ranking : Uncovering Relevant Content Using Tag-based Recommender Systems. In Proceedings of International Conference on Recommender Systems, July 7-11, 2008, Fort Lauderdale, Florida, USA.