5. 結論與未來方向
5.1. 結論
現今企業競爭已經進入以創新思考、協同合作思維，以知識為基礎之後知識經濟 時代，不斷創新及持續學習成為組織決勝的關鍵。隨著科技的進步，企業員工可獲得 的資訊大幅增加，往往會耗費大量時間成本來尋找所需要的資訊，為了方便企業內知 識的有效管理，並能將組織知識快速分享、運用，節省企業時間成本和人力，故建立 一具有自動化分類機制與個人化文件推薦系統是必要的。由系統管理者定義符合企業 需求之一致性分類，可幫助企業同仁更快速地取得資訊，另外也可分析企業組織知識 的整體集中性、分布情形，再透過使用者的點閱行為，發揮群體力量進行點閱分析，
可協助組織了解企業知識需求類別，爲知識加值。
本研究所提出之分類方法，係透過已分類文件的特徵檔歸納出該類別的特徵檔，
運用此方式而不使用KNN或是SVM方式，是由於KNN演算法需要將每篇文件與所有已 分類文件進行相似度比對，由於企業每天都持續有知識文件的增加，使用KNN會耗費 較多時間；SVM方法則是要針對每項類別進行分類模型訓練，故也需要花費較多時間 進行訓練、參數調整，故考量效能，本研究使用將各類別中所有已分類文件特徵檔分 析成類別的特徵檔的方式，因此新進文件在類別分析時，只要與各類別特徵檔進行特 徵檔相似度比對即可，可節省許多時間增進效能，只要在進行特徵詞分析過程中能有 效過濾、擷取出正確關鍵的特徵詞，運用此方式分類方法經本研究實驗可達到80%以 上。
另外本研究所使用之多知識社群分析來進行知識文件推薦，有效協助企業將部落 格知識文件對員工個人化推薦，並有將近七成推薦準確率。從實驗結果可得知社群分
析過程除了考量群內使用者之知識興趣，使用者之個人屬性檔在部分知識興趣社群中 也有關聯性存在，故在加入使用者特徵檔進行相似度分析後，對部分同仁推薦清單準 確率的確有提高，但同時也有部分同仁推薦清單準確率降低，因為並非所有知識社群 分布都與員工特徵有相關，在加入員工特徵檔後可解決部分員工Cold Start（缺乏點閱 紀錄）的問題，故可提高整體的推薦準確率。
5.2. 未來方向
（一）多類別分類機制
本研究所提出的自動化分類機制，僅針對文件進行單一分類的研究，但從實驗結 果可發現，許多文件所包含的主題涵蓋了許多類別，導致進行分類時會出現難以分類 的狀況。舉例而言，近年來因為環保意識抬頭，企業營運、產品、策略都受到環保意 識影響，許多議題都與環境保護有一定的相關，故企業也定義了「Green」類別蒐集相 關環保議題，當一篇文章在探討經濟市場中碳交易時，該歸屬於「經濟動態」類別或
「Green」類別難以界定，且由於文件議題涵括兩大主題，會導致與分類錯誤的機率提 高。故未來方向可針對文件進行多類別分析。
（二）類別、知識社群對應
目前推薦機制所使用的多知識社群分析，社群本身代表意義即為特定的知識領 域，目前知識社群結果並無分析知識社群類型，也無法確保目前知識社群分析結果品 質，若可與自動化分類結果進行比對分析該知識社群所屬知識領域為何，相互調整已 達最佳化分類定義、知識社群數，讓兩大機制更為完整。
58
（三）增加個人屬性資訊
本研究在進行知識社群分析時，除了考量使用者知識興趣相似程度外，還加入了 組織內使用者個人屬性檔關係進行分群，目前僅使用「部門」、「年齡」、「性別」、「年 資」、「職級」五大屬性，可再多蒐集一些使用者屬性進行分析。另外，若能再進一步 分析使用者在企業流程中相關性程度並作為知識社群分群依據，可使得資訊推薦制更 加有效率。
（四）知識社群、個人屬性相關性分析
並非每一知識社群都與此五大使用者相關屬性相關，本研究未針對各社群知識領 域分析使用者屬性影響程度，故可針對使用者屬性與各知識社群相關程度進行研究調 整權重，避免因加入使用者屬性而導致推薦準確率降低。
Reference
English：
[1] Agrawal, R., Gehrke, J., Gunopulos, D. and Raghavan,P. (1998), “Automatic subspace clustering of high dimensional data for data mining applications,” ACM SIGMOD Record, 27(2): 94-105.
[2] Alani, H., Dasmahapatra, S., O’Hara, K. and Shadbolt, N. (2003), “Identifying Communities of Practice through Ontology Network Analysis,” IEEE Intelligent Systems, 18(2): 18–25.
[3] Baeza-Yates, R. and Ribeiro-Neto, B. (1999), “Modern Information Retrieval,”
Addison-Wesley Longman Publishing Company.
[4] Balabanovic, M and Shoham, Y. (1997), “Fab: Content-Based, Collaborative Recommendation,” Communications of the ACM 40(3): 66-72.
[5] Cortes C. and Vapnik V., (1995), Support-Vector Networks, Machine Learning.
[6] Cover, T. M., and P. E. Hart, (1967), Nearest Neighbor Pattern Classification. Institute of Electrical and Electronics Engineers Transactions on Information Theory, Vol. 13, No. 1, pp. 21-27.
[7] Glance, N., Arregui, D. and Dardenne, M. (1997), “Knowledge pump:
Community-centered collaborative filtering,” Fifth DELOS Workshop. Filtering and Collaborative Filtering. Budapest, ERCIM report, ERCIM-98-W001.
[8] Goldberg, D., Nichols, D., Oki B.M. and Terry, G. (1992), “Using Collaborative Filtering to Weave an Information Tapestry,” Communications of the ACM, 35(12):
60
61-70.
[9] Hanani, U., Shapira, B. and Shoval, P. (2001), “Information filtering: Overview of issues, research and systems,” User Modeling and User Adapted Interaction 11(3): 203-259.
[10] Konstan, J.A., Miller B.N., Maltz, D., Herlocker, J.L., Gordon L.R. and Riedl, J. (1997),
“GroupLens: applying collaborative filtering to Usenet news,” Communications of the ACM, 40(3): 77-87.
[11] Mitra, M. and Chaudhuri, B.B. (2000), “ Information Retrieval from Documents: A Survey,” Information Retrieval, 2: 141–163.
[12] Mooney, R. J. and Roy, L. (2000), “Content-based book recommending using learning for text categorization,” Proceedings of the ACM International Conference on Digital Libraries, 195-204.
[13] Robertson, S.E. (1981), “The methodology of information retrieval experiment,”
Information Retrieval Experiment. Chapt. 1: 9-31.
[14] Rucker, J. and Polanco, M. J. (1997), “Siteseer: Personalized navigation for the web.,”
Communications of the ACM, 40(3): 73-75.
[15] Salton, G., Wong, A. and Yang, C.S. (1975), A vector space model for automatic indexing. Communications of the ACM, 18(11):613-620.
[16] Salton, G. and Buckley, C. (1988), Term-weighting approaches in automatic text retrieval. Information Processing & Management 24(5): 513–523.
[17] Salton, G. and McGill, M.J. (1983), Introduction to Modern Information Retrieval.
McGraw Hill Book Co., New York.
[18] Sarwar, B., Karypis, G., Konstan, J., and Reidl, J. , (2001), “Item-based collaborative filtering recommendation algorithms,” Proceedings of the 10th international conference on World Wide Web, 285-295 .
[19] Shardanand, U. and Maes, P. (1995), “Social information filtering: Algorithms for automating "word of mouth",” Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. 210-217.
[20] Wagner, JC and Bolloju, N. (2005), Supporting Knowledge Management in Organizations with Conversational Technologies: Discussion Forums, Weblogs and Wikis, Journal of Database Management, 16, 2, April-June, pp i-viii.
Chinese：
[21] 中央研究院，中文斷詞系統，http://ckipsvr.iis.sinica.edu.tw
[22] 朱家聲 (2006) ，“部落格在知識型企業的發展方向之研究”， 實踐大學企業創新發 展研究所論文
[23] 廖佩君 (2008)，“以多社群為基礎之部落格文件推薦.”，交通大學資訊管理研究所 碩士論文。