4.3 實驗數據結果
4.3.2 遞迴次數實驗討論
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
52
參數 C 值的設定、人物的鄰居節點個數（|Γ(X)|）以及遞迴次數 K 值的設定；其中人物 的鄰居節點個數取決於 prediction network 的建置，遞迴次數 K 值則會影響到公式的 計算次數。現假設我們將系統的計算遞迴次數 K 值設為一固定值，同時亦固定訓練資料 年限長度，以此來觀察相似度遞減係數是否會造成預測準確率的影響。則此時從計算公 式的推論中可以發現，由於 K 值以及訓練資料年限長度的固定，因而使得每一人物的鄰 居節點個數以及公式的計算次數均已固定，故雖然 C 值不斷產生變動，但由於每一人物 與 Seed Person Set 成員間各自的計算流程仍無變化，故 C 值的不同也就僅會造成每個 人物的相似度值由於同樣乘以不同倍率的 C 值，而產生不同倍率的相似度值，但這樣並 無法改變這些人物彼此間相似度值的相對排名順序，自然不會對於系統的預測準確率造 成影響。因此，在我們所設定的二種實驗模式中，均選擇直接將相似度遞減係數設定 0.8。
R0(x, y) = �0 ， if x ≠ y 1 ， if x = y
Rk+1(x, y) =
⎩⎪
⎨
⎪⎧ c
|Γ(x)||Γ(y)| � � Rk�Γi(x), Γj(y)�
|Γ(y)|
j=1
|Γ(x)|
i=1
，c ← [0,1] ， if x ≠ y 1 ，if x = y
�公式 17�
4.3.2 遞迴次數實驗討論
在遞迴次數實驗模型中主要是希望藉由設定不同的遞迴次數 K 值，以檢視政務官、
事務官 14 職等、事務官 13 職以及事務官 12 職等此四大不同職務類別，其系統預測準 確率各別受到遞迴次數變化的影響程度。在表 4-5、4-9、4-13 以及 4-17 中依序呈現了 四大類職務類別在不同遞迴次數的設定條件下，同時以 accumulation procedure、
weighted accumulation procedure 以及 vote procedure 三種不同推薦列表產生機制，
‧
Accumulation 53.85% 30.77% 11.54%
Weighted 53.85% 34.62% 11.54%
Vote 50.00% 26.92% 7.69%
6
Accumulation 53.85% 30.77% 11.54%
Weighted 53.85% 34.62% 11.54%
Vote 50.00% 26.92% 7.69%
7
Accumulation 53.85% 30.77% 11.54%
Weighted 53.85% 34.62% 11.54%
Vote 50.00% 26.92% 7.69%
表 4-5 遞迴次數(K)變化實驗數據表：政務官
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
54
8
Accumulation 53.85% 30.77% 11.54%
Weighted 53.85% 34.62% 11.54%
Vote 50.00% 26.92% 7.69%
9
Accumulation 53.85% 30.77% 11.54%
Weighted 53.85% 34.62% 11.54%
Vote 50.00% 26.92% 7.69%
10
Accumulation 53.85% 30.77% 11.54%
Weighted 53.85% 34.62% 11.54%
Vote 50.00% 26.92% 7.69%
0.00%
10.00%
20.00%
30.00%
40.00%
50.00%
60.00%
1 2 3 4 5 6 7 8 9 10
預測命中率
遞迴次數
Top 10
accumulation weighted vote
圖 4-1 遞迴次數(K)變化曲線圖：政務官：Top 10
‧
Weighted Accumulation Vote
姓名 相似度值 姓名 相似度值 姓名 Vote 值
‧
Weighted Accumulation Vote
姓名 相似度值 姓名 相似度值 姓名 Vote 值
Weighted Accumulation Vote
姓名 相似度值 姓名 相似度值 姓名 Vote 值
‧
以上，預測命中範圍設定為前 10 名，且以 accumulation procedure 或是 weighted accumulation procedure 為推薦列表產生機制時，系統對於政務官職務類別的預測準確 率可達到最佳值：53.85%。‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
58
Vote 50.00% 23.08% 3.84%
3
Accumulation 65.38% 34.62% 15.38%
Weighted 69.23% 42.31% 15.38%
Vote 61.54% 30.77% 11.54%
4
Accumulation 69.23% 42.31% 15.38%
Weighted 73.08% 46.15% 19.23%
Vote 65.38% 38.46% 15.38%
5
Accumulation 73.08% 46.15% 19.23%
Weighted 76.92% 50.00% 19.23%
Vote 65.38% 42.31% 15.38%
6
Accumulation 73.08% 46.15% 19.23%
Weighted 76.92% 50.00% 19.23%
Vote 65.38% 42.31% 15.38%
7
Accumulation 73.08% 46.15% 19.23%
Weighted 76.92% 50.00% 19.23%
Vote 65.38% 42.31% 15.38%
8
Accumulation 73.08% 46.15% 19.23%
Weighted 76.92% 50.00% 19.23%
Vote 65.38% 42.31% 15.38%
9
Accumulation 73.08% 46.15% 19.23%
Weighted 76.92% 50.00% 19.23%
Vote 65.38% 42.31% 15.38%
10
Accumulation 73.08% 46.15% 19.23%
Weighted 76.92% 50.00% 19.23%
Vote 65.38% 42.31% 15.38%
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
59 0.00%
10.00%
20.00%
30.00%
40.00%
50.00%
60.00%
70.00%
80.00%
90.00%
1 2 3 4 5 6 7 8 9 10
預測命中率
遞迴次數
Top 10
accumulation weighted vote
0.00%
10.00%
20.00%
30.00%
40.00%
50.00%
60.00%
1 2 3 4 5 6 7 8 9 10
預測命中率
遞迴次數
Top 5
accumulation weighted vote
圖 4-4 遞迴次數(K)變化曲線圖：事務官 14 職等：Top 10
圖 4-5 遞迴次數(K)變化曲線圖：事務官 14 職等：Top 5
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
60
職務名稱：財政部常務次長 排
名
Weighted Accumulation Vote
姓名 相似度值 姓名 相似度值 姓名 Vote 值
1 許永邦 0.9895540812984547 陳攀雲 1.043137105529957 許永邦 9.0 2 陳攀雲 0.594925784542777 許永邦 0.6304468308581375 呂東英 6.0 3 曾銘宗 0.48379880223414606 呂東英 0.5091266492767178 陳攀雲 6.0 4 呂東英 0.43355316148215 許虞哲 0.4624250429283571 許虞哲 4.0 5 許虞哲 0.42918948985373806 曾銘宗 0.45163024777759964 鄭濟世 4.0 6 王輔仁 0.3745318210924312 林劍雄 0.39860661883172394 曾銘宗 4.0 7 董泰琪 0.36725047693968904 王輔仁 0.39464217896424575 顏慶章 4.0 8 林劍雄 0.3594170971003252 顏慶章 0.3806051150272366 賴英照 4.0 9 俞邵武 0.33831667955157435 董泰琪 0.36495022923013204 李瑞倉 4.0 10 顏慶章 0.3354363612290977 林劍雄 0.36354882744252914 王輔仁 3.0
職務名稱：外交部常務次長
排 Weighted Accumulation Vote
0.00%
5.00%
10.00%
15.00%
20.00%
25.00%
1 2 3 4 5 6 7 8 9 10
預測命中率
遞迴次數
Top 3
accumulation weighted vote
圖 4-6 遞迴次數(K)變化曲線圖：事務官 14 職等：Top 3
表 4-10 事務官 14 職等類別職務推薦列表範例（一）
表 4-11 事務官 14 職等類別職務推薦列表範例（二）
‧
Weighted Accumulation Vote
姓名 相似度值 姓名 相似度值 姓名 Vote 值
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
62
其中明確展現了該職務的實際接替人選在系統推薦列表中的排名位置以及相對應的計 算數值；而圖 4-4 至 4-6 中則呈現了在不同預測命中範圍條件下，其預測準確率的變化 趨勢情形。從上述的數據資料以及趨勢圖中可以發現，系統的預測準確率同樣會隨著遞 迴次數的增加而逐漸提升；其中 weighted accumulation procedure 在預測命中範圍為 前 3 名、vote procedure 在預測命中範圍為前 10 以及前 3 名時，其準確率的提升在遞 迴次數設定為 4 次以上時便趨於平緩；而其他的條件設定則均在遞迴次數設定為 5 次以 上時，準確率的提升才趨於平緩。此外，當遞迴次數設定為 5 次以上，預測命中範圍設 定為前 10 名，且以 weighted accumulation procedure 為推薦列表產生機制時，系統 對於事務官 14 職等職務類別的預測準確率可達到最佳值：76.92%。
遞迴次數 預測類型 預測命中率
Top 10 Top 5 Top3
1
Accumulation 19.23% 7.69% 0.00%
Weighted 19.23% 7.69% 3.85%
Vote 15.38% 3.85% 0.00%
2
Accumulation 38.46% 23.08% 7.69%
Weighted 50.00% 26.92% 11.54%
Vote 34.62% 19.23% 0.00%
3
Accumulation 53.85% 34.62% 11.54%
Weighted 61.54% 34.62% 11.54%
Vote 50.00% 30.77% 7.69%
4
Accumulation 65.38% 38.46% 15.38%
Weighted 69.23% 42.31% 15.38%
Vote 57.69% 38.46% 11.54%
5
Accumulation 69.23% 42.31% 19.23%
Weighted 73.08% 46.15% 19.23%
Vote 61.54% 38.46% 15.38%
表 4-13 遞迴次數(K)變化實驗數據表：事務官 13 職等
‧
Accumulation 69.23% 42.31% 19.23%
Weighted 73.08% 46.15% 19.23%
Vote 61.54% 38.46% 15.38%
7
Accumulation 69.23% 42.31% 19.23%
Weighted 73.08% 46.15% 19.23%
Vote 61.54% 38.46% 15.38%
8
Accumulation 69.23% 42.31% 19.23%
Weighted 73.08% 46.15% 19.23%
Vote 61.54% 38.46% 15.38%
9
Accumulation 69.23% 42.31% 19.23%
Weighted 73.08% 46.15% 19.23%
Vote 61.54% 38.46% 15.38%
10
Accumulation 69.23% 42.31% 19.23%
Weighted 73.08% 46.15% 15.38%
‧
Weighted Accumulation Vote
姓名 相似度值 姓名 相似度值 姓名 Vote 值
‧
Weighted Accumulation Vote
姓名 相似度值 姓名 相似度值 姓名 Vote 值
Weighted Accumulation Vote
姓名 相似度值 姓名 相似度值 姓名 Vote 值
‧
預測命中範圍設定為前 10 名，且以 weighted accumulation procedure 為推薦列表產 生機制時，系統對於事務官 13 職等職務類別的預測準確率可達到最佳值：73.08%。
‧
Accumulation 61.54% 34.62% 15.38%
Weighted 61.54% 42.31% 15.38%
Vote 53.85% 34.62% 3.85%
5
Accumulation 61.54% 38.46% 15.38%
Weighted 65.38% 42.31% 15.38%
Vote 57.69% 34.62% 11.54%
6
Accumulation 61.54% 38.46% 15.38%
Weighted 65.38% 42.31% 15.38%
Vote 57.69% 34.62% 11.54%
7
Accumulation 61.54% 38.46% 15.38%
Weighted 65.38% 42.31% 15.38%
Vote 57.69% 34.62% 11.54%
8
Accumulation 61.54% 38.46% 15.38%
Weighted 65.38% 42.31% 15.38%
Vote 57.69% 34.62% 11.54%
9
Accumulation 61.54% 38.46% 15.38%
Weighted 65.38% 42.31% 15.38%
Vote 57.69% 34.62% 11.54%
10
Accumulation 61.54% 38.46% 15.38%
Weighted 65.38% 42.31% 15.38%
Vote 57.69% 34.62% 11.54%
‧
‧
Weighted Accumulation Vote
姓名 相似度值 姓名 相似度值 姓名 Vote 值
排 Weighted Accumulation Vote
0.00%
‧
Weighted Accumulation Vote
姓名 相似度值 姓名 相似度值 姓名 Vote 值
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
71
算數值；而圖 4-10 至 4-12 中則呈現了在不同預測命中範圍條件下，其預測準確率的變 化趨勢情形。從上述的數據資料以及趨勢圖中可以發現，系統的預測準確率與上述不同 職務類別實驗中的情形相同，也會隨著遞迴次數的增加而逐漸提升；其中 accumulation procedure 在預測命中範圍為前 10 名及前 3 名、weighted accumulation procedure 在 預測命中範圍為前 5 以及前 3 名以及 vote procedure 在預測命中範圍為前 5 名時，其 準確率的提升在遞迴次數設定為 4 次以上時便趨於平緩；而其他的條件設定則均在遞迴 次數設定為 5 次以上時，準確率的提升才趨於平緩。此外，當遞迴次數設定為 5 次以上，
預測命中範圍設定為前 10 名，且以 weighted accumulation procedure 為推薦列表產 生機制時，系統對於事務官 12 職等職務類別的預測準確率可達到最佳值：65.38%。
仔細觀察上述呈現的各數據資料及圖表資訊，可以發現在系統的三種推薦列表產生 機制中，以 weighted accumulation procedure 預測成效普遍較高，accumulation procedure 次 之 ， 而 vote procedure 的 預 測 成 效 則 較 為 普 通 。 其 中 weighted accumulation procedure 以及 accumulation procedure 機制的主要差別在於，是否依 據 距 離 期 望 預 測 時 間 的 時 間 差 距 的 長 短 給 予 不 同 權 重 值 的 設 定 ； 從 weighted accumulation procedure 預測成效普遍略優於 accumulation procedure 的現象來看，
或許可以適切反映出在對於職位的接替人選考量上，當其會受到歷任人員的職務歷程的 影響時，則通常較近期的歷任人員的職務歷程對於人選抉擇時較易呈現較大的影響程度；
而對於 vote procedure 機制的預測成效相較其他二種機制略為不佳的成因，經由探究 系統的推薦列表成果發現，其所產生的推薦列表中出現多位預測人選同時擁有相同 vote 值的情形，如表 4-21 中同時呈現了 vote procedure 以及 weighted accumulation procedure 針對 97 年經濟部部長一職位所產生的預測人選列表，從表 4-21 中可以觀察 到經濟部部長的實際接替人選：尹啟銘在兩種預測機制中的排名有所差異，在 weighted accumulation procedure 機制中預測其位於列表第 3 名，而 vote procedure 則僅預測 其位於列表第 8 名；其中仔細觀察 vote procedure 的推薦列表，可以發現 vote 值為 9
‧
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