圖 30 Abu 網站中讀者之閱讀階段畫面。資料來源：本論文 Abu 網站
在讀者點選「個人推薦」頁面任一推薦書籍類別時，便會依照所有讀者對該類書籍的總 評分推薦數量，計算出每本書的累積推薦數（星級）及平均推薦數（星級），再從中過濾掉與 讀者閱讀階段不合的書籍，才呈現出最終之推薦書單，如圖 32。
其過濾法則如下所示：
圖 31 Abu 過濾法則。資料來源：本論文
若讀者將大部份書籍都評為入門書籍，表示自己的閱讀階段已屬專業階段，在書單部份 將只出現被讀者評為專業程度的書籍；反之，若多數都評價為專業書籍，則將讀者歸為入門
讀者，在書單部份將只出現被讀者評為入門程度的書籍。玩家及進階讀者因屬性較相近、也 為增加閱讀的可能性，因此目前將之視為同一類別，並只推薦同一類的書籍。
圖 32 阿布的個人化書單。資料來源：本論文 Abu 網站
在初期評價數量不多時，個人書單呈現的結果可以預期將較單一。隨著評價資料的累積 及讀者自身以評價調整閱讀階段，個人書單的結果將漸趨多元且一致。
以Web 2.0 精神觀察此份書單，可以發現書籍的排序及可通過過濾的書籍，完全是透過 社群讀者所決定的。若讀者發現有某本書根本不屬於某難易程度、尤其是該書評價資料尚不 多時，也可以透過多多地重新評價，讓系統重估其難易層級。
五、系統實際操作畫面
Abu 中建有中、英文圖書分類目錄（見圖 33），提供taxonomy 式的瀏覽方式。此種分類 方式不易突顯出社群目前熱中的議題，有些書目更是可能同時存在於多種類別中，這是傳統 式分類法不能處理的問題。
圖 33 圖書分類目錄。資料來源：本論文 Abu 網站
Abu 累積的標記資料會以標籤雲（tag cloud）的方式呈現在首頁，讀者可一目了然獲知 社群中目前最熱門的閱讀趨勢，藉以作為閱讀的參考。圖 34 是 Abu 在首頁中的標籤雲。
圖 34 Abu 的 tag cloud。資料來源：本論文 Abu 網站
為了使評價書籍的來源更多元，讀者可在「查詢書籍」中透過Amazon.com Web Services 查詢Amazon.com 的書目資料，並連結到圖書館 T2 系統查詢是否有館藏，若有館藏則可繼續 評價活動。圖 35 即是自 Abu 中查詢 Amazon.com 書目的畫面。
圖 35 在 Abu 查詢 Amazon.com 書目。資料來源：本論文 Abu 網站
另外，為發揮館員推薦及專家推薦的角色，Abu 另外建有「名家書單」的功能。
圖 36 Abu 名家書單。資料來源：本論文 Abu 網站
名家書單功能可補足Abu 中專家推薦的角色（見圖 36），為了日後維護方便，此部份名 家書單以XML 格式處理，可交由館員日後繼續新增書單，不需直接接觸資料庫。
本章就
2. 上
4. 閱 14.55% 2.61
比例
二、受訪
圖 43
僅有少數讀
關鍵字查詢
出版社的網
1.49% 0.00%
親友介紹得知
三、Web
tag cloud 圖書館若四、Abu
表 6 3.481343 0.929957
組，包含「總 15671642 31911833
Abu 系統 書館）最新
最新的閱讀
趨勢上，多數表示滿意。表 7 顯示受試者對於解決選書及了解最新閱讀趨勢的平均滿意度與 標準差。
表 7 受試者對於 Abu 系統的綜合滿意度─平均數與標準差
滿意度 解決選書的問題 了解最新閱讀趨勢
平均數 3.220149 3.63806
標準差 0.497225 0.63568
從圖 40 受訪者閱讀新書的比例中可以了解，交大的讀者對於新書的需求是較強烈的，
有一半的讀者平時讀的書中是新書，顯示讀者對於最新的閱讀趨勢與議題，其與趣遠大於較 經典的、較不新穎的書籍。因此當Abu 系統以標籤雲呈現社群讀者的標記，並即時的呈現目 前的熱門的閱讀趨勢，受訪者對於將此種Web 2.0 特徵的功能應用在圖書館上，表示了極高 的評價。在圖 51 受訪者對於 Abu 的滿意度分析中，多數讀者對於 Web 2.0 的索引功能是 非常滿意的。若從表 6 受試者對於 Abu 功能的滿意度分析─平均數與標準差的排序來看，
顯示讀者對於如何較快找到正確書籍的需要，是比較強烈的。因此未來可陸續加強索引的多 樣性及即時性以滿足讀者的需求。
圖 43 中顯示多數讀者每月都會使用交大圖書館所提供之電子資源，但對於目前圖書館 呈現及排序的結果多數感到不滿意（見圖 46）。由於既有的圖書館資料庫系統以關鍵字比對 的方式顯示搜尋結果、也未作到過濾，因此使用者多半要在結果清單中一一查閱，顯得較為 耗時耗神。在圖 51 受訪者對於 Abu 的滿意度分析中「過濾個人書單」一項，受訪者多數 表示滿意及普通的評價，可見使用者對於能夠有效過濾、減少搜尋結果，只顯示有用連結的 功能是期待的，同時此功能也能減輕使用者的資訊過載負擔。在「個人推薦書單」方面，系 統根據讀者的借閱歷史提供推薦書目，意在減少使用者主動搜尋的次數，也獲得受訪者普通 及滿意的評價。目前可能因書籍評價數量仍少的關係，受訪者對於「過濾個人書單」的滿意 程度普遍在普通及滿意，但未來隨著評價的累積，應會慢慢呈現對過濾個人書單及個人推薦 的效益。
圖 49 受訪者選書時會參考其他熱中閱讀讀者意見之比例中，顯示有近四分之三的受訪
者會偏好從身旁熱中閱讀的朋友中打聽書籍的口碑，以作為選書的參考。但觀察圖 51 中分 群的滿意度，並未呈現多數滿意的結果。推測也是因為書籍累積之評價尚未發生「量變產生 質變」的階段。由於Abu 系統中主動功能都要依賴社群讀者的參與，多多貢獻評價，因此未 來如何鼓勵使用者多多留下書籍的推薦星級、標記、難易度評價等記錄，成為日後經營Abu 系統最重要的課題。
陸、結論與未來發展方向
本章總結本論文以及實作的Abu 系統所達成的效益。第一節簡要說明本論文提出的模式 對於推廣閱讀產生的應用結果，第二節則說明Abu 系統及本論文未來可以發展的研究。
一、結論
本篇論文結合了協力式過濾的關聯規則探勘，透過圖書館借閱歷史資料為讀者建立了一 套個人化的推薦系統，並加大讀者回饋對於推薦清單的影響力，以期吸引更多讀者的互動、
豐富網站的評價資料，以期達到推廣閱讀的目的。
在個人化的推薦系統方面，以協力式過濾找出讀者之間的關聯性，使得借閱歷史相似的 讀者能夠獲得具有同樣閱讀行為讀者推薦的書籍類別。而在推薦書單上，採用以群眾評價為 主的排序方法，讓獲得最多正面評價的書籍優先排序，讀者能夠得到最感興趣的推薦書類、
並利用群眾的力量為自己選書。
在讀者回饋機制方面，設計有一至四級直觀的評價方法，讓讀者自由評等書籍的難度。
一方面透過評價建立起讀者自身同樣為一至四級的閱讀階段，另一方面豐富圖書館藏書的評 價資料。在排序個人書單後，以難易度評級過濾掉不適宜的書籍，進一步減少資訊過載的問 題。讀者每一筆的評價資料，都在重新形塑自己的閱讀階段與書籍評價，每一筆的回饋資料 都能夠更快速的反應到推薦書單上。
Abu 圖書館個人化推薦系統同時還提供了以下功能：
1. 以「名家書單」機制補足專家推薦的不足，讓 Abu 除了能夠反映出即時、當代、
folksonomy 的閱讀活動外，仍保有專業的、經典的、權威的閱讀來源。同時「名家 書單」以XML 形式儲存，更方便專業館員離線編輯而無需要求技術背景。
2. 以 Web Services 串連 Amazon.com 書目資料，並能夠連結反查圖書館的館藏資料庫，
使讀者能夠接觸更多元的書目資料。
3. 提供撰寫書評功能，讓讀過的讀者留下質性的文字建議，提供給讀書選書時的另一 參考資料。
4. 為了能夠擴大群眾基礎讓更多讀者留下評價資料，Abu 的帳號區隔成二類。一般的 使用者註冊後即能夠評價書籍，以交大圖書館證號認證成功的讀者則能夠另外享有 個人化推薦書單及查詢歷史借閱之功能。
最後在使用者滿意度調查上，使用過的讀者對於Abu 系統皆採正面肯定的看法，證明 Abu 融合推薦系統與 Web 2.0 的群眾評價方式，的確能夠解決讀者選書及過濾資訊的問題。
相信在經過更長時間的運作後，Abu 累積的評價資料會使推薦功能更貼近 Abu 讀者的需要。
二、未來發展方向
本研究所實作的Abu 系統是個人化推薦與 Web 2.0 結合的一次新嘗試，雖然在初步完成 後獲致使用者肯定的評價，但對於個人推薦的精確度以及與圖書館、網路書店等資源的整合 性仍有很大的改進空間，同時也需根據系統上線後使用者的意見作為改進參考、實踐Web 2.0 的精神─使系統的功能與實際需求相符─不致淪於閉門造車。
對於Abu 系統，本研究認為仍有以下方向可供後續研究：
1. 現今圖書的難易度評價與讀者閱讀階段計算是一種全域性評價（global rating），亦 即讀者對不同分類號甚至不同領域的書籍評價，都一致等價的累積到自身的評價分 數上。未來應建立一種比分類號更為細膩的圖書分類認定方法，才能更準確的將難 度評價附加至書籍上。舉例而言，同樣是分類號312 以下的電腦相關書籍，就有 Office、程式語言、3DMax、Database 等不同專業領域的書籍，而對 Office 的難易 評價就不適合套用在程式語言、Database 等不同領域上。
2. 要使 Abu 能更全面的蒐集讀者的偏好以提供更精確的推薦書單，必須加入更多 Schafer 提到的變數輸入(Schafer 2001)。例如當讀者在系統上瀏覽各種不同書籍時，
即計算click rate、停留時間以及網頁之間的流向等數據並存入使用者描述中
（Profile），並作為個人推薦的依據之一。
（Profile），並作為個人推薦的依據之一。