第三章 研究架構與方法
第三節 網路文具申請系統推薦知識庫概念
網路文具申請系統申請資訊推薦機制之建置主要分為兩部分，第一部分為文 具申請資訊探勘機制，即利用資料探勘技術之Apriori演算法。第二部分為文具申 請資訊最佳化機制，即利用類神經網路之霍普菲爾網路兩大部分，以下分別針對 此兩大部分作說明。
（一）文具申請資訊探勘機制
文具申請資訊探勘機制主要是以Apriori演算法作為探勘申請文具對申請文 具之關聯性法則作探勘，表六表示Apriori演算法符號變數定義，其演算法之步驟 詳述如下：
網路文具 申請系統 World Wide Web
文 具 系 統 管 理 者 介 面分類/採 購/分發
表六、Apriori演算法符號變數定義表
變數 定義
D 申請文具交易資料庫。
k-itemset 擁有k個文具項目的集合。
Ck 候選文具項目集合（Candidate k-itemset），由k個文 具項目的候選文具項目集合所形成的集合，其中的 文具項目集合有可能是但不一定是大項目集合。
Lk 大項目文具集合（large k-itemset），此集合必須符合 min-support的要求。
Min-support 最小支持度。即產生大項目文具集合所需的最小限 制。
Min-confidence 使用者自定的最小信度。即產生關聯式法則的最小 限制。
（1）首先計算各單一文具出現在申請交易資料庫D的次數，即計算其支持 度，判斷其是否大於或等於最小支持度，以決定出L1(Large l-itemsets)，其中 1代表一次申請文具為1項的項目集合，之後可分為兩個階段來進行：
1.合併階段(Join Step): 利用申請文具為K-1的大項目操作流程集合
（LK-1）產生候選文具項目集合（CK）。方法是將Lk-1做排列組合，例 如Lk-1若有n個，經排列組合後Ck便會有 n2
個。
2. 修剪階段(Pruning Step): 修剪階段即刪除不可能成為大項目集合的 文具項目。因為所有大項目操作流程集合的子集合，必須一定是大項目 集合（又稱為Apriori Property）。根據這個特性，便可針對第一階段產 生的候選文具項目集合做修剪，將不符合條件的予以刪除。將所有支持 度大於最低門檻的候選文具項目集合挑選出來，就成為長度為K的大項 目文具集合（LK）。
之後的每個回合，利用上一步驟找出的大項目來產生候選項目集合
(Candidate Itemsets)，對每個候選項目集合計算其支持度，而利用最小 支持度決定候選項目是否為真正的大項目集合，如此重複步驟，一直到 無法產生新的候選項目集合便停止。
接下來進行產生申請文具對申請文具關聯式法則，關聯式法則（Cij
Ckl，其中i， k 為文具類別，j， l為文具編號）成立的條件有兩個:
1. 項目集合(Itemsets) Cij 的支持度(Support Level)必須達到所設定最小 支持度，本研究設定最小支持度之計算公式如下。
Min_support= ( ) ( )
n ij
Num S
Num C ×(1-min_confidence)，其中Num(Sn)為申請數，
Num(Cij)所有文具的數量。
2. 法則的的信度(Confidence Level)必須達到所設定的最小信度。
各階段申請文具之探勘程序說明 資料探勘模組其進行步驟說明如圖八：
步驟1：訂定申請文具資料探勘項目。
步驟2：整合與查核文具申請資料（Integration and Checking）。
步驟3：去除錯誤或不一致的資料（Data Cleaning）。
步驟4：計算各文具申請之使用率（Support）。
步驟5：探勘各文具申請之關聯性法則（Association Rules）。
步驟6：解釋與使用資料（Interpretation and Use）
圖八：資料探勘模組進行步驟
其關聯式法則的產生可以藉由兩個參數來決定：支持度（Support）及信 度（Confidence）；支持度定義物項在資料庫中所出現的比例，而信度定義
1. 訂定文具申請資料探勘項目
2. 整合與查核文具申請資料
（Integration and Checking）
3.去除錯誤或不一致的資料
（Data Cleaning）
4. 計算各文具申請之使用率
（Support）
5. 探勘各文具申請之關聯性法則
（Association Rules）
6.解釋與使用資料
（Interpretation and use）
此關聯式法則可信的程度。一般而言，關聯式法則的支持度及信度皆必須分 別大於使用者訂定的最小限制，才能判定其為有意義的關聯式法則。
1. 探勘單一文具出現在申請交易資料庫的信度
圖九：單一文具信度探勘 2. 探勘兩項文具出現在交易資料庫的支持度
圖十：兩項文具支持度探勘
3.以迴圈探勘三、四、五項文具出現在交易資料庫的支持度，直到無法產生 新的候選項目集合便停止。
DATA BASE C1
圖十一：迴圈探勘三、四、五項文具支持度 關聯式法則知識庫的建立
由上述資料探勘模組探勘出的申請文具對申請文具關聯法則，將每個申請文 具最常對應申請文具的關聯法則儲存於關聯式法則知識庫中，作為申請資訊推薦 依據。
（二）文具申請資訊最佳化機制
文具申請資訊最佳化機制是利用霍普菲爾網路最佳化分析之特性，將資料探
勘出推薦之文具字串進行最佳化分析，將相似或重複之推薦文具去除，以減低推
薦時之資訊負載程度。本研究最佳化推薦系統是採用霍普菲爾網路（HNN）建
構而成，以下將介紹本研究如何應用霍普菲爾網路（HNN）來進行申請推薦資 訊最佳化之應用。
推薦資訊最佳化網路
採霍普菲爾網路（HNN）來進行推薦資訊最佳化之動作，此網路的架構如 圖十二，可分為三部份詳述如下：
圖十二：霍普菲爾申請者分群網路架構
霍普菲爾申請者分群網路架構 霍普菲爾的網路架構包括：
1.處理單元
用以表現網路的輸入變數，即訓練範例的輸入向量，其處理單元數目依問題 而定。輸入變數值為二極值{-1，+1}，使用非線性轉換函數，如圖十三所示。
圖十三：霍普菲爾網路的非線性轉換函數 [資料來源：Hopfield J.，Tank，D.，1982]
2.網路連結
每個單元與單元間的連結加權值代表著二者間的互動關係，其公式如下所 推薦資訊輸入
最適化推薦資訊
示。從這二個公式可以看得出來，如果單元與單元間的加權值為正，代表二者間 的傾向同號，即同為正或同為負；反之如為負，代表二者間傾向異號，即為一正 一負。因此，霍普菲爾網路加權值的公式如下：
[資料來源：Hopfield J.，Tank，D.，1982]
3.學習過程 [ ][ ]
P
W j i =
∑
Xp[ ]i •Xp[ ]j ，W[i][i]=0 4.回想過程設定網路參數
表七、霍普菲爾網路參數表 參數 說明
Wij 第i個生物神經元到第j 個神經元的 連結強度，又稱連結加權值。
p
Xi 第i個神經元的狀態函數在第p次的 值，其值為「1」、「0」、「-1」
p
Wj 第j個神經元的狀態函數在第p次的 值，其值為「1」、「0」、「-1」
p
Xi 第j個神經元的閥值，由外界輸入，起 始值為0。
讀入加權值矩陣Ｗ。
Wij＝
p
∑
（Xip•Xjp）＝p
∑
Wijp從測試範例輸入初始狀態變數向量Ｘ。
計算新的狀態變數向量Ｘ。
net[j]=
i
∑W [i][j]•X[i]
X[j]=1， 如果net[j]>0 X[j]=X[j]，如果net[j]=0 X[j]=-1，如果net[j]<0
重複計算新的狀態變數向量，直到收斂
5.實例說明
申請者進入文具申請系統申請A文具時，申請推薦機制將文具申請知
識庫中相關聯之文具字串挑出[A，C，D，B，E] [A，B，C，D，E] [A，
D，C，B，B]時，先將[A，C，D，B，E]與[A，B，C，D，E]計算。
得到字串[A，B，C，D，E]再與[A，D，C，B，B]計算
得到最佳化字串[A，B，C，D，E]。
6.推薦資訊最佳化
依據上述之申請推薦資訊最佳化以霍普菲爾網路之公式製作「 網 路 文 具 申 請 資 訊 推 薦 機 制 - 推 薦 資 訊 最 佳 化 模 組
（WASTE-HNN MODEL）」。