國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
78
第五章 結論與未來展望
由於過去以來電子新聞之推薦方法大多是透過使用者點擊過的內容推薦類 似領域的電子新聞，或是透過協同篩選(collaborative filtering)推薦相同興趣使用 者也觀看過之內容，並無演算法根據使用者喜歡的體驗類型進行推薦。
本研究建立一個考慮使用者體驗喜好之電子新聞推薦模型。我們以 Schmitt 提出之策略體驗模組為基礎了解使用者對各體驗之重視程度，分析使用者對各種 不同型式體驗之重視程度以作為決策樹資料探勘的輸入屬性，並以消費者對於電 子新聞的喜好與否作為目標屬性，利用決策樹演算法計算這些輸入屬性(使用者 對各種不同型式體驗之喜好)與目標屬性(使用者對於電子新聞的選擇)之間的關 聯式規則。接著利用這些規則來建構一個預測模型，以評估閱聽人對於未知電子 新聞的接受程度，從而建立一個能有效符合使用者個人體驗喜好之新聞推薦模型。
新聞的推薦可以從很多個面向進行分析並推薦，本研究是以體驗為出發點進 行推薦，然而在實驗的樣本當中，有些受測者的資料反應出，其喜歡新聞與否並 非完全只和新聞的體驗有相關，或許是與其內容本身有相關而影響受測者之喜好 程度，在未來，可以延續本研究之議題加入不同的新聞分析面向以優化此模組之 推薦準確度。如同上述，本研究提出之推薦模型尚可以朝一些方向延續本研究之 研究議題：
I. 新聞分類判斷自動化
目前本研究所提出之模型針對新聞類別以及新聞含有之體驗的判斷方法為 監督式學習，未來希望完全使用機器進行判斷。目前有許多相關的文字探勘 技術，可以透過關鍵字之方法進行判斷，亦可透過 clustering 之方法進行類 似類別或類似體驗之新聞比對。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
79
II. 不同年齡層不同族群之模型建立
目前本研究鎖定之族群為大學生以及研究生，未來可以針對不同年齡層，不 同職業，不同背景等等面向都建立推薦之模型
III. 加入不同之分析元素
本研究主要以體驗為出發點進行推薦，在未來，判斷推薦與否的分數組成可 以加入其他的面向進行整合，例如以內容為基礎進行推薦(content based recommendation)或是協同過濾等等之方法以提升推薦模型之準確度以及適 用的廣泛程度。
‧
Available:http://www.statista.com/chart/2168/share-of-time-spent-per-day-with-major-media/[2]
Internet Overtakes Newspaper As Newsoutlet
[Online].Available:http://www.people-press.org/2008/12/23/internet-overtakes-newspapers-as-news-outlet/
[3] 173 Million Adults Engaged with Newspaper Digital Content in January [Online].
Available:http://mediamanagersclub.org/173-million-adults-engaged-newspaper-digital-content-january-naa
[4] Resnick, P., N. Iakovou, M. Sushak, P. Bergstrom, and J. Riedl. GroupLens: An open architecture for collaborative filtering of netnews. In Proceedings of the 1994 Computer Supported Cooperative Work Conference, 1994.
[5] Kompan, M., Bieliková, M., 2010. Content-Based News Recommendation. In Proc. of the 11th Conf. EC-WEB, Springer, 61-72.
[6] F. Frasincar, J. Borsje, and L. Levering. A Semantic Web-Based Approach for
Building Personalized News Services. International Journal of E-Business Research, 5(3):35–53, 2009.
[7] IJntema W, Goossen F, Frasincar F, Hogenboom F. Ontology-based news recommendation. In: Proc 2010 EDBT/ICDT Workshops, Lausanne, Switzerland; 2010.
pp 1–6.
[8] Konstan, J. A., B. N. Miller, D. Maltz, J. L. Herlocker, L. R. Gordon, and J. Riedl.
GroupLens: Applying collaborative filtering to Usenet news. Communications of the ACM, 40(3):77-87, 1997.
[9] A. Das, M. Datar, A. Garg, and S. Rajaram. Google news personalization: scalable
‧
online collaborative filtering. In Proc. of the 16th International World Wide Web Conf., 2007.
[10] Liu, J., Dolan, P., Pedersen, E.R.: Personalized news recommendation based on click behavior. In Rich et al., eds.: Proc. of 14th Int. Conf. on Intelligent User Interfaces (IUI), ACM (2010) 31–40
[11] Pine, B.J., and Gilmore, J.H. The Experience Economy. Boston: Harvard Business School Press, 2011.
[12] Alex Simonson, Bernd H. Schmitt. Marketing Aesthetics: The Strategic Management of Brands, Identity and Image[M]. Free Press, August 30, 1997
[13] Schmitt, B.H. (1999). Experiential Marketing: How to Get Customers to Sense, Feel, Think, Act, and Relate to Your Company and Brands. New York: Free Press.
[14] Tan, P.-N., Steinbach, M., and Kumar, V. 2005. Introduction to Data Mining.
Addison-Wesley.
[15] Han, Jiawei, Kamber, Micheline, 2000. Data Mining: Concepts and Techniques.
Morgan Kaufmann.
[16] I.H. Witten and E. Frank. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. Morgan Kaufmann, 2011.
[17] Quinlan, J.R. (1986). Induction of decision trees. Machine Learning, 1, 81-106.
[18] Clair, D. C. St., Sabharwal, C. L. and Hacke, K. R. ,“Formation of clusters and resolution of ordinal attributes in ID3 classification trees”,Proc. of ACM/SIGAPP Symposium on Applied Computing: Technological Challenges of the 1990’s, pp.590-597, 1992.
[19] Patterson,T.E.2000. Doing Well and Doing Good:How Soft News and Critical
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
82
Journalism Are Shrinking the News Audience and Weakening Democracy—And What News Outlets Can Do about It. Cambridge, MA: The Joan Shorenstein Center for Press, Politics, and Public Policy at Harvard University
[20] Kaiser, H. F. (1974). An index of factorial simplicity. Psychometrika, 39,31-36.
[21] F. Ricci, L. Rokach, B. Shapira, P. B. Kantor , Recommender Systems Handbook, Springer, 2011
[22] Gunawardana, A., Shani, G.: A survey of accuracy evaluation metrics of recommendation tasks. J. Mach. Learn. Res. 10, 2935–2962 (2009)