1.1. 研究背景
對於企業組織而言，員工是公司最重要的資產，組織智慧是來自於員工知識創造，
故企業如何使員工主動將其內涵之知識萃取出來，形成知識創造、分享的機制，為組 織智慧資產累積的重要關鍵。且知識分享的平台除了單向的貢獻知識內容外，最重要 的是更希望組織其他使用者能夠透過平台的互動、討論、評價，透過這樣的互動過程，
才能建立組織中知識的流通和知識分享的循環機制。故企業開始導入 Web 2.0 之概 念，企圖藉由開放性、個人化之企業內部部落格平台，引發員工自發性的紀錄個人工 作歷程、專業知識、個人相關喜好…等，亦或以組織為單位之組織部落格、工作業務 導向之 CFT（Cross Function Team）部落格、興趣社群（社團）部落格，加深組織內 部互動與員工向心力。
隨著資訊科技快速的進步，組織中資訊累積的速度不斷快速增加，企業組織中的 知識內容也隨著快速巨量累積。對組織競爭力而言，便利的平台、工具，使得組織快 速的累積資訊愈趨容易，組織開始面臨另一大挑戰，如何在巨量資訊中發掘有價值的 資訊，並能及時將資訊快速地傳遞到對的同人手中，讓知識水平擴散、分享、應用，
加快組織的反應速度與解決問題之能力，以獲得最大效益。目前與多組織之都面臨，
當員工試圖從組織龐大的知識庫中，獲得所需的知識文件時，往往會耗費相當多的時 間，甚至無法搜尋到適合文件，因此陸續有資訊過濾（Information Filter）和資訊擷取
（Information Extraction）的概念提出，並有相關方法開始被提出應用，初期主要的概 念是透過關鍵字比對的查詢搜尋，以找到所需的知識內容。然而此類方式無法解決同 義詞相關問題，耗費使用者時間且無法判斷文件相關性。故文件推薦的概念開始被提
2
出探討，其中又以『協同過濾推薦』（collaborative filter recommendation）推薦方法最 常被應用於個人化文件推薦方法中，其主要概念是根據目標使用者（target user）對其 閱讀過的知識文件，進行知識興趣分析，再根據其他使用者的閱讀行為，找到和目標 使用者興趣相似的鄰居群（neighborhood），再透過該群內成員對閱讀過的知識文件的 興趣程度、評分資料（rating），進而預測目標使用者對各知識文件的興趣程度、評分 分數。
以此為基礎之個人化推薦應用領域非常的廣泛，例如 Knowledge Pump[7]，根據 使用者對文章的興趣，找出相同知識領域的群體及文件加以推薦。GroupLens[10]，根 據使用者閱讀的新聞內容，找出共同新聞閱讀興趣的鄰居，並推薦未看過，但目標使 用者可能有興趣的其他新聞。數位圖書館近年也是大量使用個人化文件推薦，根據目 標讀者對書籍或文章閱讀的分類內容，分析出具共同興趣的讀者，再推薦該群體亦感 興趣的其他書藉文章給目標使用者。其他相關應用還包括網路書店、電子商務、音樂 推薦等。
1.2. 研究動機
對組織而言，伴隨著資訊科技的進步及網路世界的發達，各種資訊透過網路達到 無遠弗屆的力量，更累積了大量的資訊及知識。組織內部欲藉由導入 Web 2.0 之概念 之企業內部部落格來強化員工知識保存，提供組織內外部知識評價機制、提高知識分 享與應用效率，故需解決部落格之多站台結構下，知識有效管理與分享機制。故本研 究希望可以提供文件自動化分類功能，能跨部落格定義出組織分類，有效將知識文件 分門別類，有助於部落格知識管理與應用。
在資訊爆炸的情況下，推薦系統的重要性也相對的提高，本研究應用協同過濾推 薦方法進行推薦研究，協同過濾推薦概念為找尋具擁有共同興趣的社群，社群是由一 群擁有共同興趣的人所組成的，群內的成員可以相互分享共同領域的專業知識、工作 經驗和文件。在以往的研究中，知識文件推薦系統都只針對個人的單一興趣進行分析，
然而使用者的興趣是多元化，因此本研究希望可以找出各種領域的知識，滿足使用者 多元興趣的知識需求。並將知識文件推薦給對其領域有相當興趣的使用者。另外，本 研究考量組織內員工特徵檔屬性，希望在考量組織員工本身興趣社群關係之外，亦加 入員工基本屬性分析員工屬性間相關程度，將此元素加入社群分析，因而形成不同目 標知識社群，藉以分析文件推薦與員工屬性之間的關係。透過社群建立與推薦機制，
可以有效滿足使用者的知識興趣需求，並提昇組織中知識分享機制的運作效能。
1.3. 研究目的
本研究主要針對組織知識需求，定義出相關的知識分類，透過監督式學習方式，
分析各知識文件特徵檔，透過 Cosine 相似度計算新文件與已分類文件之相似度，建立 一自動化分類機制，協助組織有效管理各部落格之知識文件，並幫助組織員工有效、
快速取得需要的知識文件。另外，本論文提出四種混合式推薦方法計算文件預測「興 趣分數」，分別是「社群最大分數法（Community Max Score）」、「社群興趣最大分數法
（Community Interest Max Score）」、「使用者權重最大分數法（User Weight Max Score）」、「使用者權重興趣最大分數法（User Weight Interest Max Score）」，首先針對 組織中使用者的知識興趣需求進行分析，根據使用者知識興趣相似度與使用者個人屬 性相似度，自動分析建立各種知識興趣內容的社群，知識工作者可參與多個社群。接
4
著，根據每種相似度得到分群結果，四種混合式推薦方法會透過調整內容式推薦與協 同式推薦比例計算出文件預測「興趣分數」，得到推薦清單。
在本研究中，特別提出使用者屬性特徵檔的概念，根據組織使用者之間會有個人 屬性特性參與不同的知識領域內容為基礎，在計算使用者相似度時，加入此元素形成 單一、複合兩種使用者相似度，藉以分析員工屬性檔與社群知識興趣相關性。本研究 主要貢獻兩大部分，分別為（一）自動化分類機制（二）自動化多社群推薦機制。
1.4. 論文組織架構
本篇論文共有五個章節，第二章主要說明本研究參考之相關文獻，內容包括資訊 過濾與資訊檢索、分類、社群、分群以及推薦方法、企業部落格介紹。第三章的部份 則是詳細說明本研究提出方法之架構、內容和流程，第四章為實驗結果及評估，第五 章則為研究的結論和未來研究方向說明。