近年來，社群網路服務發展的熱絡形成了多元化的經營模式。線上虛擬社群 的社會互動(Social Interaction)目前已處於相當活躍的狀態，人們透過分享與交換 訊息的方式來增進彼此的熟悉感與親密感。不同社群網路的服務公司透過獨特創 新的服務功能優勢吸引了大量使用者註冊使用，服務功能從基本的部落格文章發 表到與多媒體的結合，進而發展出了多元的多媒體社群網路服務。
根據英國市場調查研究機構 Global Web Index (2015)發表的 2014 年第三季社 群網路研究報告 [1]指出了全球知名社群網站的使用率排名，如圖 1-1 所示；粉 紅色長條的部分代表為「一天之內登入次數超過一次以上」；紫色長條的部分代 表為「一天之內登入次數只有一次」；深藍色長條的部分代表為「一週之內登入 次數只有一次」；淺藍色長條的部分代表為「登入次數比一週之內登入次數只有 一次還要更少」。一天之內登入次數超過一次以上使用率的第一名為 Facebook(參 考網址: https://www.facebook.com)，Twitter(參考網址: https://twitter.com)則緊接在 後，不僅如此，根據 Facebook (2015)年第二季財報統計 [2]指出了每月活躍之使 用人數最高已達 14 億，由此可知，Facebook 等社群網站已成為被大眾廣為使用 且深具影響力的社交媒介。
其中最著名應屬 Facebook。Facebook 為 2004 年所推出，發展至今已推出多 樣化的功能，人們可以利用 Facebook 的功能來針對一些議題發表評論或是心情
https://www.youtube.com)，還有以單機遊戲電子商務為主遊戲類的 Steam(參考網
址: http://store.steampowered.com)這些多媒體社群網路服務網站。社群網站的使用者們，經常透過社群網站的文章評論發表功能來發表自己對 於產品、任何事物的感受或看法，經由時間的日積月累，如今，已醞釀出了龐大 的文字資料，從這些文字資料中發展出了許多不同的應用，推薦系統就是其中的 一項應用。在這些龐大的文字資料中至今還埋藏著許多不為人知有用的知識與價 值正等待著人們透過不同的探勘技術方法去挖掘出來。
圖 1-1: 2014 年第 3 季全球知名社群網站的使用率排名統計圖 (資料來源: [1])
圖 1-2: 2015 年第 2 季財報 Facebook 官方月活躍使用者人數統計圖 (資料來源: [2])
1.2 研究動機
在這資訊爆炸的時代，人們透過資訊檢索系統來進行資訊過濾(Information Filtering)的輔助以快速取得正確所需的目標資訊。現在一般最常見的資訊過濾應 用系統就是所謂的推薦系統(Recommender System)，推薦系統目前已被廣泛的應 用在不同領域，尤其是在商品推薦的領域應用上。商品推薦系統出現的主要目的，
就是為了解決如何在有限的時間之中，幫助使用者找出哪些可能是適合使用者的 商品這個問題，使用者不可能總是一直花費大量的金錢、時間去嘗試每一種商品。
商品就如同所謂的資訊一般，在茫茫大海的商品中，找出適合使用者的商品並推 薦給他們。
現在的推薦系統幾乎都是著重於依照使用者的個人喜好、偏好之間的相似度 作為推薦依據，以遊戲的推薦系統舉例來說可能有下列方式：
(一) 遊戲玩家 A 曾經玩過以下三款遊戲，第一款為惡靈古堡、第二款為戰慄時 空、第三款為絕地要塞，而另一名遊戲玩家 B 玩過的三種遊戲第一款為惡 靈古堡、第二款為戰慄時空、第三款為俠盜獵車手。若依據這樣的情況來進 行推薦，系統會將遊戲玩家 A 沒玩過的俠盜獵車手遊戲推薦給遊戲玩家 A，
而遊戲玩家 B 則是會將其沒玩過的絕地要塞遊戲推薦給遊戲玩家 B。
(二) 遊戲玩家 A 常常玩動作類的遊戲，推薦系統會推薦其還沒玩過的其他動作 類的遊戲給遊戲玩家 A，而不會推薦其他類型的遊戲給遊戲玩家 A。在 Steam 系統中的實際推薦案例如圖 1-3 與圖 1-4 所示。
圖 1-3: 依使用者的偏好或喜好來進行推薦之實際案例 1 (資料來源: [3])
圖 1-4: 依使用者的偏好或喜好來進行推薦之實際案例 2 (資料來源: [3])
早期的研究有出現一種不同的推薦方式，就是將以往只著重於依使用者的個 人喜好、偏好之間的相似度作為推薦的方式改為依使用者的人格特質相似度的方 式來進行推薦。例如 Roshchina & Cardiff [4]便將 Mairesse et al. [5]提出的人格特 質文本探勘之方法與 KNN 相似度演算法作結合而產生了一種基於人格特質的推 薦方式，並且利用了旅遊評論平台 TripAdvisor 上的評論文本資料建構出了一套 基於人格特質飯店推薦系統的應用。
在人格特質的偵測研究上，目前已有研究提出了以文本探勘進行人格特質偵 測的方法[5] [6] [7] [8] [9]。這些研究進行人格特質分析的分類面向皆是採用目前 廣為接受的五大人格特質分類面向[10]，即外向型、順從型、開放型、謹慎型、
與神經質型。
Mairesse et al. [5]提出的人格特質文本探勘之方法中，利用到了皮爾森相關 係數分析法(Pearson's Correlation Coefficient)，分析出了不同種類的字詞類別與五
詞權重，然後再把所有類別每個字詞出現頻率的重要程度權重 TF-IDF(Term Frequency Inverse Document Frequency)一併考慮，將這兩者結合後算出人格特質 的總分再來進行推薦，並且再將推薦系統加入新的人格特質對應的方法與新的要 素。
有許多推薦系統的研究所應用的領域都聚焦在電影或是音樂的推薦上，針對 遊戲領域之推薦系統的研究較少。事實上，Johnson et al. [11]及 Zammitto &
Dipaola [12]的研究已經證明了遊戲跟人格特質之間是有關係的。所以本研究將運 用知名的遊戲社群平台 Steam 上的社群資料並依照人格特質間的相似度來進行 遊戲的推薦。
除了提出新的人格特質文本探勘的方法以外，本研究會再將所提之方法與另 外兩種既有方法分別實作成推薦系統，並且評估分別使用這三種人格特質文本探 勘方法進行推薦後的推薦可行性。
1.3 研究目的
綜合以上所述，本研究之主要目的如下：
(一) 發展一遊戲領域之人格特質為依據之推薦方法。
(二) 提出一種新的人格特質文本探勘方法。
(三) 評估所提方法與既有方法之推薦可行性。
(四) 評估不同之人格特質特徵對映方法之可行性。
第二章 文獻探討