結合協同過濾推薦與關聯規則探勘技術應用於個人化網路學習導覽推薦之研究

全文

(1)結合協同過濾推薦與關聯規則探勘技術應用於個人化網路學習導覽推薦之研究 A Study on Personalized Web Browsing Recommendation based on Data Mining and Collaborative Filtering Technology. 王豐緒副教授銘傳大學資訊傳播工程研究所. 邵秀梅研究生銘傳大學資訊管理研究所. [email protected]. [email protected] integrating collaborative filtering and data. 中文摘要. mining techniques.. Historical browsing data is. analyzed using data mining techniques to 網際網路的興起促使新型態教學環境的. establish a recommendation model for similar. 出現，也使得學者們致力於推動線上教學與網. students in the future. The recommendation. 路虛擬教室的發展，期望能夠突破時空的限. models are investigated, and their efficiencies on. 制，讓學習者可以更多元化且更具彈性地達成. the recommendation are compared.. 學習目標。但是網路上數量龐大的學習資訊對. some suggestions about future research are. 學習者而言，反而容易造成瀏覽迷失，因此本. discussed.. Finally,. 研究提出一套個人化網路學習導覽推薦機制，結合協同過濾推薦方法與資料探勘中的關. Keyword: web-based learning, personalized. 聯規則探勘技術，將學習者的網路教材瀏覽記. navigation guide, collaborative filtering,. 錄拿來進行個人化網路學習導覽推薦實驗，並. clustering, association mining. 且探討其推薦效能。. 一、研究背景與動機關鍵字：網路教學、個人化網路導覽指引、協同過濾推薦、關聯規則探勘. 目前，有相當多的學者致力於研究網路教材瀏覽導引的相關議題，原因在於網路上的教材大部分都是以網頁的方式呈現，在複雜的網. Abstract learning. 頁教材架構下，學習者往往會因為無所適從，. development of new educational environments. 而在教學網站中迷失了學習方向[17]。在既有. equipped with rich resources.. 的研究裡，大抵可分為以下兩種方法：. Internet. has. stirred. the. However,. students are often apt to get lost in such an (一) 用「教材架構」來指引學生瀏覽教材：. environment due to its huge amount of the. 教材建構者可以在設計教學網站的時候. personalized navigation guidance problem in. 就將網頁教材依照層次性與順序性來建構，將. web-based learning environments based on. 教學內容予以結構性的方式表達，如此學習者. information.. This. research. studies. 1.

(2) 便可以遵循網站的架構，依序地瀏覽網頁教. 其個人的基本資料檔，包括使用者個人的基本. 材，進行學習與討論。. 資料、喜好等資料。接著在使用者享受推薦的 (ICAI：. 同時，推薦系統也會將使用者在網站上的所有. Intelligent Computer Assisted Instruction). 行為記錄下來，確實分析使用者的喜好。最. [2] 來指引學生瀏覽教材：. 後，綜合使用者基本資料檔與推薦系統分析出. (二) 用「智慧型電腦輔助教學」. 智慧型教學系統能夠記錄學習者目前的. 使用者的喜好屬性，再進一步地推薦給使用者. 知識狀態、指出學生存在有哪些錯誤觀念、預. 與其過去經驗相仿的事物。而這類型的系統仍. 測學習者可能遭遇哪些瓶頸與困難，甚至還能. 存在有下列限制有待改善，諸如：項目不易分. 夠掌握學生的學習喜好，進而具備有網頁教材. 析、使用者會被限制只能接受與過去經驗相仿. 推薦的功能，達到瀏覽建議的目的。. 的項目、使用者的評比不足等等[10][11]。. 雖然上述兩種方法在教材瀏覽建議上都具有相當的成效，但是各自仍有其限制存在。. 表 1 「教材架構」與「智慧型教學系統」瀏. 表 1 所示是這兩種方法的比較。有鑑於此，本. 覽建議方法之優點與限制的比較. 研究期望透過個人化導覽（ Personalized. 教材架構. 智慧型教學系統. 1. 教材建置時就 1. 可以達到適性化教. Navigation）的研究策略，提出新的教材瀏覽建議方法。所謂個人化導覽乃是指經由分析系統過去所蒐集到的瀏覽紀錄所形成的瀏覽型優點. 樣（Navigation Pattern），提出符合學習者目前. 可以教材瀏覽. 學的目標。. 的建議順序內. (Individualized. 含於其中。. Instruction). 瀏覽型樣的推薦策略。本研究結合協同過濾推. 2. 不需要有額外. 薦方法與關聯規則探勘技術應用於個人化的. 的分析動作。. 網路學習導覽推薦，試圖提出新的網路教材導. 1. 無法做到個人 1. 特徵值的分析與定. 覽推薦策略，讓學習者獲得高推薦效能的個人. 化教學。. 化網路學習導覽推薦。限制. 二、文獻探討. 義不易。. 2. 若教材組織不 2. 教學知識庫建置困佳，會導致學生. 難。. 往不當的學習. (一) 推薦系統（Recommendation System）. 方向進行學習。. 隨著網際網路上的資料變得龐大又分. 資料來源：本研究, 2003. 散，使用者往往需要個人化的推薦系統來根據. 2.. 協同過濾推薦系統. 其本身的需求或喜好，提供最適當的資訊給使. 協同過濾推薦系統即是採用「協同過濾」. 用者 [15][17]。一般來說，目前個人化推薦的. 策略。這類型的推薦系統是第一個嘗試使用人. 研究大都是採用「以內容為基礎的過濾」. 工智慧技術來進行個人化工作的方法[17]。它. （Content-Based Filtering System）與「協同過. 會蒐集使用者於網站上活動的所有資訊，加以. 濾」（ Collaborative Filtering ）兩種方法. 分析並執行相似度比對，將具有相同喜好或是. [1][3][12][13]。. 相似行為的使用者歸類為同一族群。當使用者. 以內容為基礎的推薦系統. 再一次登入網站時，推薦系統便會推薦此位使. 以內容為基礎的推薦系統即是採用「以內. 用者所屬族群內其他人感興趣的事物給該位. 容為基礎的過濾」策略來做推薦。這類型的推. 使用者，進而達到同好之間可以相互推薦彼此. 薦系統在進行推薦之前會要求使用者先建立. 喜愛的項目給對方的目的。而協同過濾推薦系. 1.. 2.

(3) 統存在有下列限制，諸如：評比稀疏、使用者. I={i1, i2, …, im}為一組項目集合，由許多不同. 多重與趣問題、使用者對於同一項目的喜好理. 的項目所組合而成；X 是關聯規則的前項，為. 由並不相同、若使用者的興趣較為歧異，為少. I 的子集合；Y 是關聯規則的後項，亦為 I 的. 數族群，則不容易獲得推薦[9]。表 2 所示是這. 子集合。因此，關聯規則可以表示為：X => Y，. 兩種推薦方法的比較。. 而且 X 與 Y 的交集為空集合。以商業交易為例，上述的關聯規則表示：在同一筆交易中，. 表 2 「以內容為基礎的推薦系統」與「協同. 消費者在購買項目集合 X 的同時，也會購買. 過攄推薦系統」比較表以內容為基礎方式監督式學習. 在關聯規則探勘中有兩個重要的臨界. 協同過濾. 值，稱之為「支持度」(Support)與「信賴度」. 非監督式學習. 1. 新使用者可以立 1. 使用者可以接觸. (Confidence) [4][5][6][8]。支持度為支持此項目. 到許多未曾嘗試. 集的交易筆數與資料庫中所有交易總數的比. 過的新事物。. 值。支持度越高表示這條關聯規則越常發生。. 即享受到推薦。優點. 項目集合 Y。. 2. 使用者多重興趣. 與興趣轉移問題 2. 使用者的知識經. 信賴度為同時支持項目集 X 與 Y 的交易筆數. 驗可以相互交流. 與僅支持項目集 X 的交易筆數之比值。信賴. 分享。. 度越高表示這條關聯規則越可靠。. 可輕鬆解決。. 關聯規則探勘包含下列兩個步驟[5][6]：. 1. 項目不易分析。 1. 新使用者難以獲限制. 2. 使用者被迫只能. 1. 找出所有的「大型項目集合」（ Large. 得推薦。. Itemsets），也就是找出滿足最小支持度的項. 接受與過去經驗 2. 使用者多重興趣相仿的項目。. 目集合。. 與興趣轉移問題。. 2. 利用找出來的大型項目集合來產生關聯規. 資料來源：本研究, 2003. 則，若找出來的關聯規則滿足最小信賴度，. (二) 資料探勘（Data Mining）. 則此關聯規則成立。. 資料探勘泛指從資料庫或資料倉儲中擷. (三) 推薦系統與關聯規則探勘之整合. 取出有意義的知識，並且將隱含的、先前並不知道的及潛在有用的資訊從資料中萃取出來. 隨著資料探勘技術的日趨成熟，近幾年. 的過程 [6]。資料探勘的技術、演算法可以根. 來，學者們紛紛嘗試著將資料探勘的技術帶入. 據資料萃取的性質分為三種主要的類型：預測. 推薦系統之內，試圖提昇推薦系統的效率與效. 模型（亦稱為分類或監督式學習）、叢集（亦. 能，其成效都相當顯著。其中，美國學者. 稱為非監督式學習）、頻繁型樣的萃取（包含. Xiaobin Fu、Jay Budzik 和 Kristian J. Hammond. 有關聯法則探勘與序列型樣探勘）。以下針對. 主張以協同過濾方法配合關聯規則技術來進. 本研究所採用的關聯規則探勘技術做一介紹。. 行網頁的推薦，研發出一套名為 SurfLen 的網. 關聯規則探勘(Mining Association Rules). 頁推薦系統，並且蒐集「Yahoo!」搜尋引擎上. 最早由學者 Agrawal 提出[5][6][8]，目的是用. 的網頁，加以重組後做成模擬的實驗資料來進. 來在龐大的資料庫中，找出資料項目(Item)之. 行實驗，探討雜訊(Noise)對推薦效能的影響. 間的關聯性，探討在同一事件中，當某一個項. [7]。而韓國學者 C.-H. Lee、Y.-H. Kim 和 P.-K.. 目出現時，另一個項目也在該事件中出現的機. Rhee 則是主張以協同過濾方法配合關聯規則. 率。. 技術來進行電影的推薦，其設計出一套推薦機. 一般來說，關聯規則的問題定義如下：令. 3.

(4) 制，並且將這套機制實際地運用在 MovieLens. 電. 影. 介. 紹. 網. 站. Input. Output. 上. Mining Associations Rules & Collaborative Filtering Recommendation. Current Session. (http://www.movielens.umn.edu) [11]。. History Session. 雖然這兩篇文獻皆是採用協同過濾方法. List of Pages. 配合關聯法則探勘技術來做研究，但是它們的推薦項目分別為網頁與電影，與本研究所探討. 圖 1 推薦內容產生流程圖. 的個人化網路學習導覽推薦並不相同，因此本. 資料來源：本研究, 2003 (一) 關聯規則探勘. 研究將結合協同過濾方法與關聯法則探勘技術，設計出一套適用於網頁教材瀏覽推薦的推. 在進行關聯規則探勘時，是將所有學生的. 薦機制與效能評估機制，並且進行相關的實驗. 會談紀錄一起進行探勘的動作，每一個會談紀. 探討。. 錄皆視為一筆交易，而每一個網頁則視為一個項目。探勘目的是為了發掘出在個別會談紀錄. 三、研究方法與架構. 內，哪些網頁最常被一起閱讀。舉例來說，假設目前有位學生已經閱讀了. 本研究以協同過濾方法配合關聯規則技. <B, E>這兩頁教材，設定信賴度門檻值為. 術來探討教材瀏覽推薦的問題。首先針對本研. 0.8。經過關聯規則探勘後，找出符合最小信. 究的推薦系統維度設定做一列表說明，如下表. 賴度的關聯規則兩條：. 3 所示。. 規則１： <B, E> Æ <A>. (信賴度=1). 表 3 本研究的推薦系統維度設定. 規則２： <B, E> Æ <C>. (信賴度＝0.8). 維度. 此時推薦表列中的項目會根據信賴度的. 說明. 評比方式隱性評比（Implicit Rating）. 高低來做排列，信賴度愈高愈優先推薦，因而. 評比內容學生有點選與否（以 0、1 表示）. 信賴度高的項目會排在推薦表列的愈上面。所. 匿名與否系統自動紀錄學生編號. 以在推薦順序上<A>教材便會置於<C>教材之. 項目型態教材網頁. 前，優先推薦。. 資料來源：本研究, 2003. (二) 協同過濾推薦本研究為了擴大學習者的教材瀏覽歷. 下圖 1 為本研究的推薦內容產生流程。輸. 程，讓學習者的學習經驗可以充分交流、分. 入的項目為「學生目前的瀏覽會談記錄」與「其. 享，因而採取「不分群」的協同過濾推薦策略，. 它學生的歷史性教材瀏覽會談記錄」，推薦機. 將所有訓練資料內的會談紀錄一起進行探勘. 制會根據這些瀏覽會談記錄進行關聯規則探. 的動作，找出關聯規則以供做推薦。如此便可. 勘與協同過濾推薦，最後產生輸出項目，即為. 以讓所有的學習者分享彼此的網路教材瀏覽. 要推薦給個別學生的網頁教材。本研究的輸出. 歷程，擴大教材瀏覽的選擇性。. 為多個網頁教材，也就是推薦機制會產生一串. (三) 推薦策略. 適合學生本次會談記錄（Session）的網頁教材. 本研究中的推薦機制是在學生瀏覽了一. 推薦給學生，至於這些教材的排列順序則視這. 頁網頁後即開始被啟動，若學生目前的會談記. 些教材的關聯程度而定，關聯程度愈高則排在. 錄比對不到適用的關聯規則，本研究則採用下. 推薦表列的愈前面。. 列兩種策略模式因應之。. 4.

(5) 視窗切割法. 準：. 使用切割「Windows Size」的方法將學生. 1.準確率 (Precision Rate)：在系統推薦給學生. 的目前會談記錄切割為 Windows Size，再來比. 的教材裡，有多少教材是學生真正需要的。. 對探勘出來的關聯規則[14]。假設目前學生已. 2.回想率 (Recall Rate)：在學生真正需要的教. 1.. 材裡，系統能夠推薦出來的數目。. 經依序瀏覽了 a，b，c，d，e 五個網頁，初始的 Windows Size 數即為學生已瀏覽的網頁數. 此外，對學習者而言排列在推薦表列越前. 目(已瀏覽的網頁指的是學生在教學網站內自. 面的推薦項目越有可能被學習者採用，因此本. 行點選的網頁，該網頁不限定要是系統推薦. 研究考慮推薦項目擺放於推薦表列的位置順. 的)。經規則比對後發現規則庫中不存在(a，b，. 序，採用加權準確率與加權回想率來評估推薦. c ， d ， e) 的關聯規則，於是由左邊開始將. 效能，描述如后。令 Ai 代表測試會談紀錄 i. Windows Size 減一，取(b，c，d，e)再至規則. 中學習者真正需要的網頁( n1…n|A|)； Ri 代表. 庫中比對關聯規則，若還是找不到規則就再將. 系統所推薦的網頁( r1…r|N|)。. Windows Size 減一（Windows Size 的縮減為每. 加權準確率公式：. 次刪減掉已瀏覽網頁中最左邊的網頁），然後比對規則。如果 Windows Size 縮減為一後仍 (1). 然無法找出關聯規則，此時將從閱覽頻率高. Wj＝. 1 2. ( j −1) /(α −1). , ( j = 1, …, |N| ). 代表排在推薦表列第 j 個項目的權重。本. (Large 1-item)的網頁中隨機挑選一頁使用者尚未閱讀的網頁作為推薦。. 研究設定α=10 表示系統推薦的數目維持在 10. 2.. 最大匹配法. 個有效項目（亦即假設該 10 個項目被閱覽機. 尋找最大匹配(Maximal-Matching)規則做. 率超過 0.5 者）。加權準確率 WPi 如下：. 為網頁推薦的參考來源。例如：假設目前學生已經閱覽了 a，b，c 三個網頁，但是經規則比 WPi＝. 對後發現規則庫中不存在(a，b，c)的關聯規則，於是對 a，b，c 三個網頁的子集合做評估，. ∑H. j =1 ..| N |. j. ×W j. ∑W. j =1 ..| N |. ,. 1 , if hit,. Hj＝. 0 , otherwise.. j. 找出(a，b)或(b，c)的關聯規則，則本策略將 min(| A |, | N |). 採用該兩條最大條件匹配規則做為推薦參考 (2). 規則（如果 ab、bc 可找到匹配的關聯規則，. ∑W ∑W. WPimax＝. 而它們的父集合 abc 找不到匹配的關聯規則，. j. 1. j = 1 ..| N |. j. 則稱 ab、bc 為最大匹配）。最後若連最大條件. 代表在推薦表列中所能得到的最佳準確. 匹配規則也找不到，此時將從閱覽頻率高. 率表現（亦即學習者所需要的網頁都能排在建. (Large 1-item)的網頁中隨機挑選一頁使用者. 議表列的最前端）。因此針對所有的使用者，. 尚未閱讀的網頁作為推薦。. 我們可以計算正規化後的平均加權準確率，其. (四) 推薦效能評定指標. 中 s 代表測試會談紀錄總數：. 推薦系統的目的當然是要推薦高準確度以及高回想率的推薦內容給使用者。由於本研. s. ∑WP. 究是應用在網路教學的網頁教材推薦上，因此 (3). 本研究的評估準則將以準確率為主，回想率為輔。本研究採用下列兩個推薦效能的評定標. AWP ＝. s. ∑WP i =1. 5. i. i =1. i. max.

(6) (2)信賴度門檻值：0.1、0.2、0.3. 加權回想率公式： L=max( A , N )，由於 N. 用來比較推薦效能，探討不同信賴度門檻值對推薦效能的影響。. 有可能會大於 A ，故要取最大值。. (4). Wj＝. 四、實驗結果與討論. 1 2. , ( j = 1, …, L ). ( j −1) /(α −1). (一) 實驗資料之蒐集與整理. 代表排在推薦表列第 j 個項目的權重。本. 本研究所使用的學習瀏覽資料蒐集自銘. 研究設定α=10 表示系統推薦的數目維持在 10. 傳大學網路虛擬教室教學網站. 個有效項目（亦即假設該 10 個項目被閱覽機. (http://www.eduplanet.mcu.edu.tw/webclass) 上. 率超過 0.5 者）。加權回想率 WRi 如下：. 的專家系統課程。因為本研究是針對學生的教材瀏覽做推薦，因此在整理實驗資料時會先過. WRi＝. ∑H. j =1 ..| N |. j. ×W j. ∑W. j =1 ..| A|. ,. Hj＝. 1 , if hit,. 濾掉網路伺服器中非教材瀏覽的記錄，再將剩. 0 , otherwise.. 餘的瀏覽記錄切割成會談記錄，以供做分析處. j. 理。所謂的會談記錄(Session Record)是指學生於某次登入教學網站一直到離開教學網站的 min(| A |, | N |). (5). ∑W ∑W. WRimax＝. 這段學習時間內的所有學習記錄。實驗流程如 j. 圖 2 所示，目前本研究蒐集了一學期修習「專. 1. j = 1 .. | A |. j. 家系統」課程的學生瀏覽教材記錄，在實驗流程上可劃分為下列三個階段：. 代表在推薦表列中所能得到的最佳回想率表現（亦即學習者所需要的網頁都能排在建議表列的最前端）。因此針對所有的使用者，. 中 s 代表測試會談紀錄總數： Training Data：A 班 Testing Data： B 班. 比較推薦效能. Training Data：A 班前半班 Testing Data： A 班後半班. 我們可以計算正規化後的平均加權回想率，其. s. ∑WR (6). AWR ＝. s. ∑WR i =1. Training Data：A 班與 B 班 Testing Data： C 班. i. i =1. max. A,,B,C 三班. i. 教材瀏覽記錄. 圖 2 實驗流程圖資料來源：本研究, 2003. (五) 實驗參數. (二) 實驗結果. 本研究針對下列數個實驗參數來進行相. 為瞭解推薦機制在學生瀏覽會談內各階. 關的組合與實驗：. 段的推薦效能，本研究將測試學生的瀏覽會談. 1.「環境相關」參數. 記錄拿來做以下三組實驗：First、 Middle 以. (1)推薦班數的多寡：半班、一班、兩班這是為了模仿真實情境，訓練學生人數會. 及 Last，分別代表在學生瀏覽會談紀錄的第一. 隨著時間的過去而增加。. 個網頁，中間網頁與只剩最後一個網頁時所做的推薦效能比較。本實驗在關聯規則探勘時，. 2.「推薦相關」參數. 將支持度設定為 0.02，信賴度分別設定為. (1)推薦策略：視窗切割法、最大匹配法. 6.

(7) 0.1、0.2、0.3，α值設定為 10。實驗結果如表. 由實驗數據中可以發現當推薦人數（也就. 4、表 5、表 6 所示，其中 AWP、AWR 與 ASR. 是推薦班數）增加後準確率與回想率反而會降. 分別代表平均加權準確率、平均加權回想率與. 低，這表示在不分群的推薦狀態下，若推薦訓. 平均服務率(Average Service Rate，可以獲得網. 練人數增加，則連帶地會使得雜訊增加，降低. 頁推薦服務的學生比率)。. 了推薦效能。其次，不管推薦人數多寡，當信賴度門檻值愈小時，可以獲得較高的準確率與. 表 4 推薦效能比較－推薦班數：半班策略. 最大匹配法. 回想率，這是因為信賴度門檻值若定得較高（找規則的條件較嚴苛），則會比對出較少的. 視窗切割法. 規則，導致可供推薦的項目變少，進而使得準實驗. AWP AWR ASR AWP AWR ASR. CF=0.1 0.46. 0.52. 0.63 0.38. 0.47. 0.63. CF=0.2 0.44. 0.49. 0.63 0.36. 0.45. 0.63. CF=0.3 0.39. 0.46. 0.63 0.34. 0.41. 0.63. 確率與回想率降低。對推薦策略而言，實驗結果顯示「最大匹配法」的推薦效能較「視窗切割法」好，原因在於最大匹配法可以找到較多可供匹配的關聯規則，因而較容易產生推薦項目。例如：某. 資料來源：本研究, 2003. 位學生已經瀏覽 abc 三頁教材，在進行推薦時. 表 4、表 5、表 6 的數值是取 First、Middle 與. 又找不到匹配的關聯規則，此時若是採用視窗. Last 這三組實驗的實驗結果平均值，也就是先. 切割法則可拿 bc 再去做關聯規則比對，若是. 各別針對 First、Middle 與 Last 求出其平均加. 採用最大匹配法則可拿 ab、bc、ca 再去做關. 權準確率與平均加權回想率，再計算總平均. 聯規則比對。由此可見最大匹配法有較高的機. 值。. 會可以找到可供匹配的關聯規則。. 表 5 推薦效能比較－推薦班數：一班策略. 最大匹配法. 五、結論. 視窗切割法. 本研究提出一個網頁教材瀏覽推薦方實驗. AWP AWR ASR AWP AWR ASR. CF=0.1 0.45. 0.5. 0.64. 0.4. 0.46. 0.64. CF=0.2 0.43. 0.47. 0.64 0.37. 0.43. 0.64. CF=0.3 0.36. 0.41. 0.64 0.31. 0.37. 0.64. 法，結合關聯規則探勘與協同過濾推薦技術應用於個人化網路學習導覽推薦。研究結果發現在最好的狀況下可獲得：平均加權準確率為 0.44、平均加權回想率為 0.52、平均服務率為 0.63。雖然回想率的值到達 0.5 左右，但是準. 資料來源：本研究, 2003. 確率卻是仍有待改善，因此本研究未來將朝向「學生分群協同過濾推薦」的方向做研究，以. 表 6 推薦效能比較－推薦班數：兩班策略. 實驗. 最大匹配法. 追求更高的推薦效能。. 視窗切割法. 資料探勘應用於個人化網路學習導覽推薦之研究是一個新興的研究議題，期望透過本. AWP AWR ASR AWP AWR ASR. 研究的實驗發現與未來的研究結果來創造出. CF=0.1 0.42. 0.53. 0.62 0.32. 0.46. 0.62. CF=0.2 0.41. 0.5. 0.62 0.32. 0.42. 0.62. 具有高度教材瀏覽指引價值的網際網路學習環境，讓學生們能夠在網路學習環境中輕鬆又有效率地從事學習活動。. CF=0.3 0.32. 0.43. 0.62 0.25. 0.35. 0.62. 六、參考文獻. 資料來源：本研究, 2003 7.

(8) Industrial Electronics, vol. 1, pp. 625-628, [1]. 李麗華、黃智育, ”運用資料探勘於個人. 2001.. 化之網路推薦”, 第十三屆國際資訊管理. [2]. [3]. [11] C. H. Lee, Y. H. Kim and P. K. Rhee,. 學術研討會論文集 , pp. 189-196, 五月,. “Web. 2002.. combining. 候文娟, “智慧型教學系統”, 資訊與教育. association rule mining technique,” Expert. 雜誌, vol. 39, pp. 4-10, 1994.. Systems with Applications, vol. 21, pp.. 蔣以仁, “一對一個人化服務機制”, 電腦. 131-137, 2001.. 與通訊, vol. 95, pp. 44-60, 2001. [4]. [5]. [6]. [7]. collaborative. filtering. with and. 顏秀珍、李御璽、何仁傑, “利用資料探. “Automatic Personalization Based on Web. 勘語言挖掘感興趣的資訊”, 電腦學刊 ,. Usage Mining,” Communications of the. vol. 13, no. 4, pp. 44-60, 2001.. ACM, vol. 43, no. 8, pp. 142-151, 2000. “Fast. [13] D. M. Nichols, “Implicit Rating and. Algorithm for Mining Association Rules,”. Filtering,” in Proc. Fifth Workshop on. in Proc. The VLDB Conference, pp.. Filtering and Collaborative Filtering,. 487-499, 1994.. 1997.. R.. Agrawal. and. R.. Srikant,. [14] B. Mobasher, H. Dai, T. Luo and M.. M. S. Chen, J. Han and P. S. Yu, “Data Mining: An Overview from a Database. Nakagawa,. Perspective,” IEEE Trans. Knowledge and. Based on Association rule Discovery from. Data Engineering, vol. 8, no. 6, pp.. Web. 866-883, 1996.. International. X. Fu, J. Budzik and K. J. Hammond,. Information and Data Management, pp.. “Mining. 9-15, 2001.. Navigation. History. for. “Effective. Usage. Data,”. Personalization. in. Proc.. Third. Workshop. on. Web. [15] M. D. Mulvenna, S. S. Anand and A. G.. User Interface, pp. 106-112, 2000.. Buchner, “Personalization on the Net using. J. Han and M. Kamber, Data Mining:. Web Mining,”, Communications of the. Concepts and Techniques. San Francisco:. ACM, vol. 43, no. 8, pp. 123-125, 2000. [16] G. Piccoli, R. Ahmad and B. Ives,. Morgan Kaufmann Publishers, 2001. [9]. expert. [12] B. Mobasher, R. Cooley and J. Srivastava,. Recommendation,” ACM Proc. Intelligent. [8]. personalization. J. A. Konstan, B. N. Miller, D. Maltz, J. L.. “Web-Based. Herlocker, L. R. Gordon and J. Reial,. Environments: A Research Framework and. “GroupLens:. A Preliminary Assessment of Effectiveness. Filtering. Applying to. Collaborative. Usenet. in. News,”. Basic. Virtual. IT. Skills. Learning. Training,”. MIS. Communications of the ACM, vol. 40, no.. Quarterly, vol. 25, no. 4, pp. 401-426,. 3, pp. 77-87, 1997.. 2001. [17] D. Riecken,. [10] M. Kwak and D. S. Cho, “Collaborative Filtering. with. Automatic. Rating. International. Symposium. Views of. Personalization,” Communications of the. for. ACM, vol. 43, no. 8, pp. 27-28, 2000.. Recommendation,” in Proc. ISIE 2001 IEEE. “Personalized. on. 8.

(9)