1.1 研究背景與動機
隨著網際網路的普及與資訊技術的發達，網路提供了一個完全開放的資訊平 台，讓資訊得以快速地傳播、大量地複製與儲存，利用網路取得資訊已經成為最 方便的管道。但是面對網路上充斥的大量資訊，不但內容繁雜而且難以過濾，使 用者在找尋資訊時，相當的費時也不容易聚焦，以單純瀏覽的方式，在網路上尋 找資訊變得相當沒有效率，這使得人們在網路世界中寸步難行。搜尋引擎(Search Engine)與推薦系統(Recommender System)的出現，成為改善資訊過載(Information Overload)問題的兩大利器。
搜尋引擎是屬於一種資訊檢索(Information Retrieval)的方法，當使用者在資 訊需求較為明確的情況下，主動地以查詢的方式，來獲取其需要或是感興趣的資 訊，這是目前網路使用者最常使用的工具之一，例如Google、Yahoo 及百度等搜 尋引擎。而在使用者較不清楚本身的資訊需求時，可以透過推薦系統以被動的方 式取得資訊；推薦系統主要是利用資訊過濾(Information Filtering)的方法，在使 用者與網站的互動過程中，發掘使用者潛在的需求或興趣，用以比對推薦標的，
過濾出符合使用者需求的資訊，並進行推薦的動作，例如Amazon 與 eBay 等電 子商務網站，便是推薦系統應用上的佼佼者。
推薦系統已廣泛地運用在各種行銷策略上，更成為許多電子商務網站的核心 功能。推薦系統要得到較佳的推薦效果，首要的步驟是收集使用者資訊，不論是 外顯資訊的取得，例如使用者在網站上登錄的基本資料，以及對其購買產品或使 用過的服務做評比，或是隱性資訊的收集，例如將使用者的歷史交易紀錄，以及 瀏覽網站之行為加以分析；在取得使用者的相關資訊後，透過各種推薦方法的運 用，進而提供符合使用者需求的產品資訊，以作為使用者購買決策的參考指標。
利用有效的推薦資訊，不但可以節省使用者的搜尋時間，更能為企業帶來更多的
要議題。
目前常應用在推薦系統的方法主要分為內容導向(Content-based)與協同過濾 (Collaborative Filtering)二種。內容導向方法主要是針對使用者喜好的項目進行內 容分析，經由分析項目的屬性特徵後，進而判斷並找出使用者可能有興趣的項 目，再將其結果推薦給使用者。協同過濾方法的主要目的在於發掘與其他使用者 間的關聯性，找出具有共同興趣的使用者以形成社群；經由分析社群成員共同的 興趣與喜好，以此作為推薦的參考依據，並用以推論或預測目標使用者的潛在偏 好。
除了上述所提到的兩種方法，Iskold [1]也以消費者的觀察角度，將推薦系統 分類如下：
1. 個人化推薦(Personalized Recommendation)：依據消費者個人過去在網站 中的行為進行推薦。
2. 社會性推薦(Social Recommendation)：依據過去和個人有相似行為的消費 者來進行推薦。
3. 產品為導向的推薦(Item Recommendation)：依據產品本身的特性進行推 薦。
4. 綜合以上三種方法之推薦模式。
根據以上的脈絡，從消費者個人的資料入手，發現不足後，便運用所有消費 者資料，繼而整合之前所開發的技術，產生綜合策略；雖然各種分類角度有不同 的陳述，但結果卻是殊途同歸。
使用者除了本身的主觀喜好之外，其行為容易受到人際關係的影響。網際網 路提供使用者一個高度自主的環境，讓使用者可以輕易地進行資訊分享與訊息交 換，使得網路上的人際互動頻繁，無形中形成虛擬社群(Virtual Community)或社 會網路(Social Network)等非正式組織，例如部落格(Blog)、社交網路網站(Social Networking Site)與線上遊戲(Online Game)等；於是虛擬社群與社會網路，成為許 多使用者獲得資訊情報的最佳來源，Zhong[26]更是明確地指出，虛擬社群與社
會網路提供了從事推薦活動時的基礎資訊。
Staab[32]的研究指出，在市場行銷的戰役中，口耳相傳(Word of Mouth)對消 費者行為的改變有重要影響；社會網路的發掘與分析，有助於企業制定病毒行銷 (Viral Marketing)策略，在進行產品或服務的推薦活動時，使消費者間口耳相傳的 正面效果達到最大化，與忽略消費者互動及網路效應的傳統行銷模式相比，可以 使企業取得較高的獲利。
Hotta[10]認為將使用者的社會網路整合到推薦演算法中，可以獲得較佳的推 薦效果。在該研究中利用使用者基本資料與瀏覽網站的記錄檔(Log)，建構使用 者設定檔(User Profile)，其中包含使用者偏好表(Preference Table)，並且以使用者 點擊網頁的內容與使用者社會網路連結來更新偏好表，最後以資訊過濾的方法，
產生符合使用者偏好的推薦資訊。
推薦系統有助於使用者獲得所需的資訊，並且能節省搜尋的時間成本；社會 網路對使用者決策行為的影響，也成為進行資訊推薦時不可忽視的重要因素。因 此本研究將深入探討如何運用社會網路提升資訊推薦的品質。
1.2 研究目的
本研究主要的目在於提出結合主題概念萃取與社會網路分析之資訊推薦系 統，並將其應用於學術社群。本研究利用關鍵字分群演算法，萃取出使用者感興 趣的主題概念；並且分析使用者社會網路，進行使用者分群，以形成主題社群；
經由分析社群成員的興趣偏好，預測使用者的潛在興趣，建構出更符合使用者需 求的資訊推薦系統，以提升資訊推薦的品質;整體研究目標如下：
1. 主題概念萃取
萃取出文件中的重要關鍵字，利用關鍵字分群，達到主題概念萃取的目 的，藉以瞭解使用者所關注的興趣與議題。
2. 形成主題社群
將個別使用者轉換成以向量空間模型(Vector Space Model)來表示，並結 合使用者的社會網路，將相似度高且具有相同主題興趣的使用者群聚在一 起，以形成主題社群。
3. 資訊推薦
經由主題社群的產生，針對使用者個人的主題偏好，進行個人化推薦；
此外，更進一步分析社群成員共同的興趣與喜好，預測使用者的潛在偏好，
以建構出更符合使用者需求的推薦系統，提升資訊推薦的品質。
1.3 研究流程
本研究之研究流程如圖1-1所示，首先闡述本研究之動機與目的，並且收集 分群演算法、社會網路分析與推薦系統之相關文獻資料，探討其發展趨勢及有待 改善之處；而後針對先前三方面文獻的回顧，勾勒出一整合社會網路分析於推薦 系統之資訊推薦方法；並發展雛型系統進行資訊推薦，藉由分析實證結果得到本 研究之結論，並提供後續研究之建議方向。
研究動機與目的
文獻探討
分群演算法 社會網路分析 推薦系統
研究方法
主題關鍵字分群 建立主題社群
系統發展與實證分析
結論與建議
推薦模式
圖 1-1 研究流程圖
1.4 論文架構
本研究共分為五章，說明如下：
第一章 緒論
說明本研究之研究背景與動機、研究目的及研究流程。