老手程度的判斷

國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖 4-3、Girvan-Newman 演算法分群結果

由結果的比較，我們可以發現利用 Factions 作組織社群的分派上，只能夠有效的識別電 子商務與實體通路的這種比較大分類的使用者類型，但是 Girvan-Newman 演算法中，我 們在實體通路上，進一步能有效區分特約商管理部門與經營管理部門的使用者，因此在 此次研究，我們將會利用 Girvan-Newman 演算法作為分群依據。

下列是邊 e 中介性的計算公式：

； (2) σst(e)表示的網絡中所有節點 s 到節點 t 的最短路徑中，經過邊 e 的加總個數，因此計算 過程中，

； (3) ：表示節點 到節點 的最短路長度

：表示節點 到節點 的最短路長度

：表示節點 到節點 的最短路長度 ：表示節點 到節點 的最短路徑數 ：表示節點 到節點 的最短路徑數

因此在分群的過程中，將依據下列的步驟進行：

1. 步驟一：計算網絡 G 中所有邊的中介性

2. 步驟二：移除中介性最高的邊，將網絡 G 拆分為 與

3. 步驟三：重複步驟 1 與步驟 2，值到滿足 Modularuty Q 計算出的最適合社群數

4.2 老手程度的判斷

在商業智慧平台的使用上，有一些人在部門中相對重要且具影響力，通常這樣的人 都是部門中對於系統使用比較久且比較了解系統功能的人。因此這樣的人在於推薦的判 斷上，其操作相對於部門內新人應該來的更重要。而在網絡中通常我們都利用分支度 (Degree)中心性、緊密度(Closeness)中心性、中介(Betweenness)中心性三種指標來評估一

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

個節點的重要性。

 分支度(Degree)中心性：主要是利用每個節點的連結數目作為中心性的判斷，

假設有一個節點與其他節點的連結越多的時候，表示該節點在網絡中相對於其 他節點更為活絡，相對其擁有較高的中心性。假設一個社會網絡的節點個數為 N 時，我們計算節點 v 分支中心性的公式如下：

， (4)

節點 與節點 之間有連結 節點 與節點 之間無連結

Degree 可依據連結的方向分為 In-Degree 與 Out-Degree，In-Degree 代表的是推 薦時節點 A 被其他節點參考到的連結數，而 Out-Degree 表示的是推薦時節點 A 參考其他節點的連結數。In-Degree 越高的節點所表示該節點在社群中的認可 度相對高，該節點可能屬於部門中的老手，因此在系統進行推薦時經常會被其 他人採納。而 Out-Degree 越高且分散在許多節點上時，表示的是該節點可能是 系統的生手，由於對系統功能的不了解，因此常常會嘗試去參考不特定的人操 作作為參考，圖 4-4 即是我們在 UCINET 上以 Degree 找出來的中心性結果。

圖 4-4、Degree 的 Centrality measures 結果

 緊密度(Closeness)中心性：Closeness 著重的是該節點與其他節點的靠近程度，

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

值介於 0 到 1 之間，值越高表示該節點與越容易到達其他節點，相對表示此節 點與其他節點之間的密度高。我們在計算節點 v 的緊密度中心性公式如下：

， (5) ：表示節點 與節點 最短路徑之連結數

圖 4-5 是我們在 UCINET 上以 Degree 找出來的中心性結果，在結果中發現此 指標雖然能區分出哪些人可能會是老手，但是在老手之間的程度卻無法有效的 區分出來。尤其當子群內的節點數比較少的時候，彼此間互動所建立的連結數 是很平均的，因此會容易將整個子群的人都視為程度相當的老手或生手。

圖 4-5、Closeness 的 Centrality measures 結果

 中介(Betweenness)中心性：在網絡中任兩個節點間一定存在一個最短路徑 (geodesics)，假設一個節點經常在最短路徑上面表示越多節點需要經由他才能 到 達 其他 節點 。通 常這 樣 的節 點扮 演的 是橋 樑 的角 色， 其 In-Degree 與 Out-Degree 的值會很平均。計算節點 v 的中介中心性公式如下：

(6)

：表示任兩個節點間的最短路徑中經過 的次數

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

：表示任兩個節點的最短路徑的數量 ：表示網絡中節點的個數

圖 4-6 是我們在 UCINET 上以 Betweenness 找出來的中心性結果。在商業智慧 平台上，老手通常對於系統的操作與功能上都很了解，相對 Out-Degree 的數值 通常都會偏低。如果採用此指標通常會讓老手的中心性降低，因此在此研究中 將不考慮此指標。

圖 4-6、Betweenness 的 Centrality measures 結果

最後我們將三種中心性的結果與利用同部門使用者互評的結果比對後，發現 In-degree 的結果是最符合我們在商業智慧平台上做為老手程度判斷的指標，他在每個子群中可以 有效的識別使用者對於系統的熟悉度。因此在後續的推薦機制上我們將會以此方式作為 投票加權的判斷。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

第五章 推薦機制

在第三章，我們將蒐集回來的資料正規化處理整理成可供分析用的集合，在本章我們將 會藉由相似度的判斷與推薦機制設計提供使用者在系統操作過程所需的建議。多維度分 析系統上的推薦機制通常分為兩種類型：內容相似度推薦與同好推薦。我們將同時考慮 內容過濾與協同過濾兩種技術，提供混合式的推薦機制。在內容過濾方面，我們將會利 用相似度的判斷縮小候選項目的範圍，後續我們將會依據支持度(Support)與最大使用人 次選擇兩種推薦機制挑選出機率越高的項目作為推薦；最後我們也將會把社群網絡分析 的結果反應至兩個推薦機制上。而在第六章中，我們也將會以兩個推薦機制的結果進行 比較。