第三章 研究設計
第二節 機器學習
一、 訓練階段
‧
Exp_preference_point(j)，當中的配分如表 9。‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
45
表 9、好感得分配分表
回答 Exp_preference_point( j)
非常同意 100
同意 75
普通 50
不同意 25
非常不同意 0
Step2 : 由於問卷的題目是針對新聞體驗的重要關鍵因素所設計 的，因此透過計算問卷回覆的得分可以得知測試者所喜歡 的體驗關鍵因素。算式(1)將每個重要關鍵因素Factor𝑖回答 的答案(j)所得的體驗好感得分 Exp_prefence_point(j)相 加 並 除 上 每 個 重 要 關 鍵 因 素 的 問 題 數 量 Question_amount( Factor𝑖 ， 得 到 體 驗 好 感 分 數 Exp_prefernce_score( Factor𝑖 。 若 是 體 驗 好 感 分 數 Exp_prefernce_score(Factor𝑖 的值大於 50，則本研究定義該 名 測 試 者 喜 歡 該 重 要 關 鍵 因 素 ， 若 是 體 驗 好 感 分 數 Exp_prefernce_score(Factor𝑖 小於或等於 50，則本研究定義 該名測試者不喜歡該重要關鍵因素。其結果可以表示如表 10。
Exp_prefernce_score(
Factor𝑖) =
∑𝑛𝑗=1Exp_prefence_point(j) Question_amount(Factor𝑖)(1
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
46
表 10、使用者對各重要關鍵因素之喜好表
重要關鍵因素 使用者喜好
色香味感受 喜歡/不喜歡
視聽愉悅 喜歡/不喜歡
美感要素 喜歡/不喜歡
同情關懷 喜歡/不喜歡
煽情感受 喜歡/不喜歡
共鳴感受 喜歡/不喜歡
震撼性 喜歡/不喜歡
重大意義 喜歡/不喜歡
反省檢討 喜歡/不喜歡
聲援呼應 喜歡/不喜歡
活動宣傳 喜歡/不喜歡
持續關注 喜歡/不喜歡
議題相關性 喜歡/不喜歡
利害相關 喜歡/不喜歡
II. 個人喜好新聞類別分析模組
在此模組中首先將被輸入的訓練樣本新聞和使用者行為資料中新聞 類別構面問卷的回答進行比對，在前面章節有提到訓練樣本新聞是在問卷 階段已經由受測者閱讀過的新聞資料，因此可以在使用者行為資料中對應
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
47
到相同的新聞以及該新聞所屬的新聞類別，並取得每個受測者對訓練樣本 新聞中各種類別新聞的喜好程度。
Step1 : 將每個受測者針對每一個新聞喜好問題(k)不同的回答進 行 配 分 ， 得 到 不 同 的 新 聞 喜 好 得 分 News_preference_point(k)，當中的配分如表 11。
表 11、新聞喜好得分配分表
回答 News_preference_point(k)
非常喜歡 100
喜歡 75
尚可 50
不喜歡 25
非常不喜歡 0
Step2 : 透過計算問卷回覆的得分可以得知測試者對各種類型的 電子新聞之喜好程度。算式(2)將每種新聞類別Type𝑖中針 對每個新聞喜好問題(k)回覆的答案所得的新聞喜好得分 Exp_preference_point(k) 相 加 並 除 上 屬 於 每 個 新 聞 類 別 Type𝑖的新聞數量 News_amount(Type𝑖)，得到新聞喜好分 數 News_preference_score(Type𝑖) 。 若 是 新 聞 喜 好 分 數 News_preference_score(Type𝑖)的值大於 50，則本研究定義 該 名 測 試 者 喜 歡 該 新 聞 類 別 ， 若 是 新 聞 喜 好 分 數 News_preference_score(Type𝑖)小於或等於 50，則本研究定 義該名測試者不喜歡該新聞類別。其結果可以表示如表 12。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
48
News_preference_score(Type𝑖) = ∑𝑛𝑘=1Exp_preference_point(k) News_amount(Type𝑖)
(2
表 12、使用者對各新聞類別之喜好表
新聞類別 使用者喜好
藝術與文化類別 喜歡/不喜歡
影視娛樂八卦類別 喜歡/不喜歡
美食消費類別 喜歡/不喜歡
運動與競賽類別 喜歡/不喜歡
醫療健康類別 喜歡/不喜歡
休閒旅遊類別 喜歡/不喜歡
家庭綜合事務類別 喜歡/不喜歡
III. 決策樹分析模組
得到測試者對於每個新聞體驗當中重要關鍵因素的喜好程度以及測 試者對各種新聞類別喜好的程度之後，接下來將這些資訊送入至決策樹分 析模組進行ID3 決策樹演算法的分析運算。本研究將新聞類別當作目標屬 性，新聞體驗的重要關鍵因素作為決策屬性，分別對每個新聞類別建立其 決策樹(圖 9)。經由各個決策樹本研究可以得到測試者喜歡的重要關鍵因 素和測試者喜歡的新聞類別之關聯式規則。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
49
圖 9、各新聞類別決策樹
IV. 評分模組
建立完決策樹之後，本研究的配分模組會將決策樹所產生的每一個關 聯規則加以配分後並儲存至關聯規則資料庫，供系統在執行階段的決策模 組判斷時使用。
Step1:在算式(3)中本研究對節點 p 取得該節點的支持度 Support(p)及節 點純度 Purity(p)之乘積，並計算所有節點當中 Value 的最大值 Value_max 以及最小值 Value_min。
Step2：計算出權重 Weight(p)(算式 4)
Step3：透過權重 Weight(p)以及 Value_min 調整所有 Value(p)值之分布，
使Value(p)值介於 0 和 50 之間，其調整過後之值為 Adjust_value(p) (算式 5)
Step4：若節點 p 之屬性為不喜歡該決策樹之新聞類別，則節點分數為 50 - Adjust_value(p)，反之則為 50+- Adjust_value(p) (算式 6)
V𝑎𝑙𝑢𝑒(𝑝) = 𝑃𝑢𝑟𝑖𝑡𝑦(𝑝) ×𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝑝) (3
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
50
𝑊𝑒𝑖𝑔ℎ𝑡(𝑝) = 𝑉𝑎𝑙𝑢𝑒_ max − 𝑉𝑎𝑙𝑢𝑒_𝑚𝑖𝑛50 (4
𝐴𝑑𝑗𝑢𝑠𝑡_𝑣𝑎𝑙𝑢𝑒(𝑝) = (𝑉𝑎𝑙𝑢𝑒(𝑝) − 𝑉𝑎𝑙𝑢𝑒_min ) ×𝑊𝑒𝑖𝑔ℎ𝑡(𝑝) (5
Score(𝑝) = 50 ± 𝐴𝑑𝑗𝑢𝑠𝑡_𝑣𝑎𝑙𝑢𝑒(𝑝) (6
計算完各節點的配分之後將每個節點所對應的關聯式規則 R 以及配 分資訊儲存至各類別規則資料庫中，在執行階段將會以這些資訊為依據決 定是否推薦新聞。