訓練年限長度實驗討論

Vote procedure 排名 姓名 Vote 值

以及以 weighted accumulation procedure 為推薦列表生產機制的設定條件下的實驗數 據結果，而圖 4-13 中則將其數據資料以折線圖的方式來呈現其變化趨勢。

Weighted accumulation procedure 排名 姓名 相似度值

1 楊世緘 0.8342350271323863 2 王建煊 0.7740434146348714 3 尹啟銘 0.6782222439723654 4 李樹久 0.6452543545537192 5 黃大洲 0.6442651779086572 6 邱聰智 0.6298744521893415 7 范振宗 0.6121262658436166 8 林全 0.5895375988063606 9 林豐正 0.5790685136956589 10 涂醒哲 0.5630653359149733

表 4-21 不同機制推薦列表範例

‧

（遞迴次數=5；C=0.8；weighted accumulation procedure；Top 10）

從表 4-22 中所呈現的實驗數據結果以及圖 4-13 中的折線趨勢顯示中可以發現，不

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

74

人物列表以及實際接任人選的職務歷程，發現主要是起因於人物的預測名次會隨著訓練 資料年限長度的不同而在排名上產生波動，其中依據名次波動上升或下降的不同，我們 各別歸納出其可能的因素：

1. 預測名次上升：

造成人物預測名次上名的情形主要可分為兩類：其一，該名人物在較短年限長 度的訓練資料中，缺乏其異動記錄，因而使得在較短年限長度訓練資料情況下的 prediction network 中，並無該名人物的存在，自然也就無法出現於推薦列表之 中 ， 而 後 隨 著 訓 練 資 料 年 限 長 度 的 增 加 ， 該 名 人 物 的 異 動 記 錄 逐 漸 出 現 於 prediction network 中，其後隨著異動記錄的漸趨完整，因而逐漸提升其在預測 列表中的名次；舉例來說，對於行政院院長職務一職的預測，其民國 97 年的實 際接替人選：劉兆玄，在人事異動資料庫中的異動記錄主要分布於 82 至 88 年之間，

因而使得其在訓練年限長度為 5 年時，並未出現於 prediction network 中，自然 無法出現於推薦列表之中，其後在訓練年限為 10 年時，雖然僅有其部份的職位歷 程，但因與 Seed Person Set 中成員間的相似程度較高，因而出現於推薦列表之中。

其二，該名人物由於在較短訓練年限長度的情況下，僅包含部份的職務歷 程，使得其與 Seed Person Set 中成員間的職務歷程相似度不夠高，因而在初 期的預測名次排名不甚理想，但隨著訓練年限長度的增加，其職務歷程愈趨完 整，逐漸提升其與 Seed Person Set 成員間的相似程度，因而逐漸提升其預測名次 的排名。舉例來說，民國 97 年經濟部部長接替人選：尹啟銘，即屬於此種類型。

2. 預測名次下降：

造成人物預測名次下降的情形，大多起因於隨著訓練資料年限長度的增加，使 得 prediction network 的規模也隨著增加，雖然該名人物的職務歷程可能也因此 變多，可望增加其與 Seed Person Set 成員間的相似程度，但由於其相似程度的 增 加 幅 度 ， 低 於 其 他 成 員 相 似 程 度 的 增 加 幅 度 ， 或 是 低 於 隨 著 prediction

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

75

network 規模擴大而新加入的成員，其與 Seed Person Set 成員間的相似程度，因 而降低了該名人員在預測名次上的排行。舉例來說，對於財政部政務次長接替人選：

張盛和，其在訓練資料年限長度為 5 年和 10 年之間，便出現了此種隨著訓練年限 長度增加，而預測排名名次下降的情況。

總結而論，人物在推薦列表中的排名可能會隨著訓練資料年限長度的不同而有所波 動，至於若其會產生波動，所造成的影響將會是名次的上升或下降，則主要是取決於該 名人物職路歷程的情況、prediction network 規模擴大的情況以及其相似程度增加幅度 大小等多項因素相互作用下的最終結果。