智慧型推薦學習服務系統之研究

全文

(1)國立臺中教育大學數位內容科技學系碩士論文. 智慧型推薦學習服務系統之研究 Implementation of Intelligent Recommendation Learning Service System. 指導教授：陳鴻仁. 博士. 研究生：黃振綱. 中. 華. 民. 國. 九. 十. 八. 年. 六. 月.

(2)

(3) 致. 謝. 終於進入到論文的最後一站致謝，在此謹用謝辭向這兩年來一路栽培、扶持與陪伴的良師益友們，表達我誠摯的謝意。首先必須先感謝自己的父母親，全心全意支持我於役畢後再度返回校園，對於經濟問題也總是讓我無後顧之憂，在此感謝您們對於我的無限包容與付出。接著要感謝我的指導教授陳鴻仁老師，老師於在學期間對我總是非常照顧，不論我遇到任何困擾與問題，皆會給予我協助並指導我正確的研究方式與做人處事的道理。除此之外，要特別感謝黃武元教授以及林彣珊教授在研究計劃口試及研究論文口試中所提供的寶貴意見，透過兩位資深教授的審閱，使我的論文更趨嚴謹完整，在此表達感謝之意。而學長們的幫忙是不可忽視的，盈達、士傑、愷均、裕翔、士承以及傑綸等諸位學長給予我的種種幫助與關懷，使我在學生生涯的最後一段過程，倍感溫馨。還要感謝同實驗室的同窗戰友妤庭、乃滋、勝裕及世其，我們總是會在老師指導過後彼此相互討論與協助，讓做研究的過程一點都不孤單。學弟妹們則要感謝衍智與玉璇，他們總能在緊要關頭給我一份助力，同時也因為需要交棒的關係，使我對於自己的程式與系統更加謹慎處理與註記。最後要特別感謝我的朋友婉琳，因為妳的陪伴，使我能在每一次的挫折中迅速地再站起來，也因為妳的鼓勵，使我能在短短兩年之內脫胎換骨般地自我成長與提升。數位內容科技系從我踏進大門的第一天，就覺得自己非常幸運能在如此好的環境進行自己的研究，在這樣天時地利與人合的情況之下，非常順利的劃下這個完美的句點。以上，我再次以最誠摯與感恩的心，感謝所有曾經幫助過我渡過難關的人，謝謝您們。黃振綱謹致於中教大數位內容科技系研究室中華民國九十八年六月.

(4) 智慧型推薦學習服務系統之研究摘. 要. 在資訊超載日益嚴重的時空下，搜尋機制已不再能夠滿足所有人的需求，而這也是推薦機制誕生的開始。推薦機制早期多用於商業行為，而在相同的資訊超載背景之下，線上學習是逐年擴展，相對數位教材也紛紛流通於網際網路之中，而推薦學習便於此油然而生。隨著技術的成熟，大量不同種類的教材已數位化於網際網路之中，對於學習其他領域的知識，學習者不再需要耗時耗力。而過去的推薦學習研究中，焦點在於如何讓學習者獲得更加準確的推薦，而這樣僅針對單一領域的推薦並無法滿足目前多元化的學習環境。有鑒於此，我們針對學習者可能在新增學習領域或新增學習興趣之情況下，提出智慧型推薦學習服務系統之研究，以達到在學習者新增學習領域或學習興趣時，能給予快速與準確的推薦。本研究結合學習者之顯性評比與隱性評比資料，並改善 TOP-N 最熱門推薦法則與關聯推薦法則發展出之智慧型推薦學習服務，系統所使用之教材皆符合 SCORM 標準，且整併 SCORM 相關功能於系統中。實驗方法以三個階段進行，最後利用問卷調查系統滿意度。研究結果顯示推薦準確度對系統穩定度與介面操作滿意度成正相關，教材內容滿意度對系統穩定度與介面操作滿意度成正相關，系統整體接受度對推薦準確度與教材內容滿意度成正相關，以及教材內容滿意度對推薦準確度成正相關，表示學習者對於智慧型推薦學習服務系統之整體接受度佳。. 關鍵字：推薦學習、智慧型推薦服務、新增學習領域. I.

(5) Implementation of Intelligent Recommendation Learning Service System Abstract As information overload becomes more severe, search agent can no longer fulfill the needs of all users, and this is the beginning of the emergence of recommendation mechanism. In the early days, recommendation mechanism was mostly applied to commercial behavior. Under the same background of information overload, e-Learning expands gradually, and e-Learning materials prevail on the Internet. This is a time when recommendation learning comes into exist. As technology matures, a large amount of various teaching materials have been digitalized and uploaded to the Internet in order for learners to convenient gaining knowledge of other fields. Past studies on recommendation learning mainly discussed how learners could access more accurate recommendations. This type of single direction recommendation cannot satisfy the diversified learning environments at present. Therefore, this research proposes an intelligent recommendation learning service system for learners to learn in different fields, which can provide fast and accurate recommendations to learners searching for information in their new fields or interests of learning. There are three features in our study. First, we implement the online recommendation system used the technique which combine the explicit rating and implicit rating for learner characteristics. The novel mechanism called Intelligent Recommendation Learning Service was proposed and improved the TOP-N recommendation rule and association recommendation rule. Secondly, the system used the standard SCORM and integrated relative valued functions. Third, we did an experiment to prove our hypotheses. There were three phases in this experiment, and then using questionnaire was processed for learners. After analyzing, the results of the study showed that learners accepted Intelligent Recommendation Learning Service System. The factor of recommendation accuracy was effected system stability and operation interface satisfaction, and the relevance of teaching materials was effected system stability and operation interface satisfaction, and system acceptance was effected recommendation accuracy and the relevance of teaching materials, and the factor of recommendation accuracy was effected the relevance of teaching materials. Keywords: Recommendation Learning, Intelligent Recommendation Service, and new learning fields II.

(6) 目. 錄. 第一章緒論..............................................................................................................1 第一節研究背景與動機................................................................................1 第二節研究目的............................................................................................5 第三節研究範圍與限制................................................................................5 第二章文獻探討......................................................................................................7 第一節評比方式............................................................................................7 第二節推薦系統............................................................................................8 第三節推薦方法..........................................................................................12 第四節資料探勘及關聯法則演算法..........................................................13 第五節推薦學習..........................................................................................17 第六節 SCORM數位教材標準....................................................................22 第七節小結..................................................................................................23 第三章研究方法....................................................................................................25 第一節系統架構..........................................................................................25 第二節前置資料的蒐集..............................................................................27 第三節推薦學習演算法..............................................................................30 第四節教材分類與SCORM標準................................................................38 第五節實驗設計與評量..............................................................................42 第六節問卷設計..........................................................................................45 第四章研究結果與分析........................................................................................49 第一節效度與信度分析..............................................................................49 第二節因素分析..........................................................................................54 第三節迴歸分析與路徑分析......................................................................59 第五章結論與建議................................................................................................62 第一節研究結果..........................................................................................62 第二節研究結論..........................................................................................62 第三節未來工作與建議..............................................................................63 參考文獻 ....................................................................................................................65 附錄…………………………………………………………………………………..69. III.

(7) 圖. 次. 圖 3-1 系統架構圖 .....................................................................................................26 圖 3-2 系統之興趣表單頁面 .....................................................................................28 圖 3-3 管理者後端新增科目頁面 .............................................................................28 圖 3-4 推薦學習頁面 .................................................................................................29 圖 3-5 TOP-N最熱門推薦演算法...............................................................................30 圖 3-6 TOP-N最熱門推薦方法...................................................................................31 圖 3-7 關聯推薦法則演算法 .....................................................................................32 圖 3-8 關聯推薦法則方法 .........................................................................................33 圖 3-9 智慧型推薦學習服務演算法 .........................................................................35 圖 3-10 智慧型推薦學習服務方法 ...........................................................................37 圖3-12 由專業教師分類教材頁面 ............................................................................39 圖 3-13 Reload Editor新增教材包..............................................................................40 圖 3-14 Reload編輯課程組織.....................................................................................40 圖 3-15 Reload加入教材至課程組織.........................................................................41 圖 3-16 Reload加入教材之metadata ..........................................................................41 圖 3-17 研究模型 .......................................................................................................42 圖 3-18 實驗設計示意圖 ...........................................................................................43 圖 3-19 研究假說模型 ...............................................................................................44 圖 3-20 研究流程圖 ...................................................................................................45 圖 3-21 網路問卷調查 ...............................................................................................48 圖 4-1 路徑關係圖 .....................................................................................................61. IV.

(8) 表. 次. 表 2-1 顯性評比與隱性評比比較表 ............................................................................8 表 2-2 銷售清單 ..........................................................................................................15 表 2-3 推薦學習相關文獻整理 ..................................................................................19 表 3-1 研究假說整理表 ..............................................................................................44 表 3-2 問卷構面與題項參考整理 ..............................................................................46 表 4-1 研究構面信度分析 ..........................................................................................50 表 4-2 KMO值與Bartlett檢定.....................................................................................50 表 4-3 項目分析結果總表 ..........................................................................................51 表 4-4 各構面之因素分析結果 ..................................................................................54 表 4-5 構面因素特徵值 ..............................................................................................56 表 4-6 各構面項目分析結果 ......................................................................................57 表 4-7 皮爾森相關係數 ..............................................................................................59 表 4-8 簡單迴歸分析假說檢定表 ..............................................................................60 表 4-9 多元迴歸分析假說檢定表 ..............................................................................61 表 5-1 研究假設結果 ..................................................................................................62. V.

(9) 第一章緒論在緒論章節中共分三個部份，第一節描述過去針對推薦系統相關研究之背景與動機。第二節描述本研究之研究目的，主要是針對學習者新增學習領域時，實作一套智慧型推薦學習服務學習系統，並於開發完成後進行學習者滿意度分析。第三節則說明本研究之研究範圍限制。. 第一節. 研究背景與動機. 網際網路資訊技術已蓬勃發展與普及，根據資策會電子商務應用推廣中心 FIND 研究群的調查，台灣地區經常上網人口已突破千萬人(FIND，2008)。隨著寬頻網路及個人電腦使用率快速增加，而使網路學習(Web-base Learning)逐漸盛行。伴隨著網路成熟與快速發展，越來越多的資料散佈於網路中，篩選機制便開始產生，其中又以搜尋引擎為眾所皆知。然而搜尋引擎再仔細的比對，也可能因為使用者所輸入之關鍵字不夠精確等外在因素而需再由使用者一一目視比對。有鑑於此，推薦機制便油然而生。若將篩選機制比喻成被動的搜尋，那麼推薦機制便是自動的搜尋，在使用者不指定關鍵字的情況下，系統仍能給予其可能想看的資訊，這正是推薦機制的主要目的。在自動給予推薦的背後，必須先取得一些使用者自身的資訊或是其他使用者的記錄，經過推薦演算方法歸納出一個規則並給予推薦資訊。一般來說，目前的推薦系統會先取得使用者的資料，之後才能進而給予適當的推薦。取得資料的方式常用的有顯性評比(Explicit Rating)與隱性評比(Implicit Rating)兩種(Morita & Shinoda, 1994)。欲取得顯示評比最簡單與直接的方式便是給予使用者填寫問卷，好處在於資料具有一定的正確性，但相對也是造成使用者的負荷。例如課程的分類相當廣泛，當類型過於龐大時，使用者可能會忽略或缺乏耐心以致隨便填寫。而隱性評比的優缺點確也剛好與顯示評比互補。隱性評比則是以使用者在網站中的瀏覽資訊。例如使用者在網站中閱讀了某課程，此點閱記錄將在使用者可能不知情的情況下被系統自動記錄下來，系統再以此記錄判斷 1.

(10) 使用者是否對於該課程有某種程度的喜好。此評比方式能有效降低使用者的評比負荷，但卻也使得準確性產生疑慮。當系統取得一定的評比資料量後，便可利用其資料產生過濾與篩選網路資料的動作。當我們在處理大量資料時，就會利用過濾系統(Filtering System)來幫助篩選，便可迅速得到只有我們想要看的資料，因此過濾系統也被稱為推薦系統(Recommender System)。推薦系統基本上分為兩類，一類為內容導向式推薦系統(Content-based Approach)，另一類為合作式推薦系統(Collaborative Approach)(Terveen, Hill, Amento, McDonald & Creter, 1997)。內容導向式推薦是一種比較使用者的興趣和目標物內容之間的相關性來給予推薦的方法。舉例來說，一個美食網站社群網站，當使用者設定其要求查詢之條件為「小吃」，不論網站的資料量有數千或數萬筆，所查詢出之結果將會只有跟「小吃」相關之文件。查詢的條件並不只限於單一字詞，包括一般布林運算式皆能使用，並可依照使用者的興趣與目標內容之間的相關程度給予不同的權重比，以更符合使用者的需求(O'Connor & Herlocker, 1999)。過去以內容導向式推薦機制為基礎來發展的推薦系統有許多，例如 NewsWeeder(Lang, 1995) 、 InfoFinder(Krulwich & Burkey, 1997)等。NewsWeeder 為一文章評比推薦系統，它透過網頁瀏覽器將過去使用者的評比資料彙整分析後，再推薦給其他尚未看過這些文章的使用者。而 InfoFinder 不同的是它是使用經驗式(heuristic)搜尋來取得有意義的片語，同時再透過訊息資料集或其他線上資料，使得它不需要太多相關文件樣本，便可快速找到使用者的本身興趣資訊來比對。而合作式推薦是先找尋與使用者有相同興趣的其他鄰近夥伴(Nearest Neighbors)，每一位被找到的鄰近夥伴與使用者之間皆存在著一個權重值，而每一位鄰近夥伴與資料庫中的每個項目亦存在著對此項目之喜好權重值。經由這兩項關係，進而求得使用者較有興趣的項目(Terveen, 1997)。合作式推薦系統主要是找到與使用者喜好度相似的其他使用者資訊進行推薦，採用此方法的有 GroupLens 與 Siteseer。GroupLens 是將 Netnews 新聞網站中的文章讓使用者做評比，並蒐集所有的評比加以分析，再以分析結果為依據將所有使用分群，之後去參考同一群所提出之建議來給予推 2.

(11) 薦。Siteseer 也可以被稱為個人化網站瀏覽工具。它是一個利用書籤(bookmark) 進行推薦的網站推薦系統，主要是透過使用者的網路書籤來計算出使用者與使用者之間的同好度，他們認為使用者將一網站加入書籤代表其使用對此一網站具有一定程度的肯定，便可視為一個可信賴的隱性評比(Rucker & Polanco, 1997)。目前推薦系統大致上可分為上述的兩類，而有許多推薦方法是依照這兩類再做延伸或混合使用。經常見的推薦方法有非個人化推薦 (Non-Personalized Recommendation)、屬性式推薦(Attribute-based Recommendation)、物品關聯式推薦 (Item-to-Item. Correlation) 及人物關聯式推薦 (People-to-People. Correlation)(Schafer, Konstan & Riedl, 1999)。非個人化推薦是採用最熱門的推薦，又稱為 TOP-N 法則，此法較普遍使用於廣告或入口網站，所有使用者皆被推薦相同的結果。屬性式推薦亦可稱為內容導向式推薦，使用者需給予條件方能得到推薦。物品關聯式推薦主要是將物品與物品之間建立其關連，當使用者對其中一項物品產生興趣時，與之關連性高的其他物品也隨之被推薦。而人物關聯式推薦亦可稱為合作式推薦，與前者不同的是此法將人與人建立其關聯性，用人的關聯性找出推薦者，這樣的方法能有較多樣的推薦。近年來數位學習也成為許多國家政府發展重點之一，如台灣推動「二兆雙星」計劃，使數位學習等相關議題逐漸受到重視，再加上網路逐漸成熟及教學數位化後，推薦系統開始轉向教學用途。推薦系統早期用於商業較多，好比購物網站中商品相關推薦或是廣告，例如亞馬遜書店的推薦系統，當您購買某本書後，系統會主動將此書籍的資訊告知另一位與您相近的使用者。而網路學習同樣也可以運用類似此推薦機制以提升學習效益(管怡婷，2004)。目前已有的相關研究如在線上學習系統透過資料探勘技術建構推薦學習(莊俊賢，2006)，概念是以利用商用推薦方法運用於線上學習平台，以資料探勘方法找出課程與課程之間的學習關聯法則提供給使用者。另外還有運用類神經網路與資料探勘技術於網路教學課程推薦機制之研究(邱永祥，2003)，此研究是結合類神經網路與資料探勘技術，並針對網路教學提出一個以使用者為導向之推薦學習機制，並達成具社群特質、關係 3.

(12) 特質及使用者分群效率高等成果。以教材內容導向為主的推薦機制之研究(簡士堯，2004 )，其所建立網路教材推薦系統亦可協助學習者迅速掌握學習需求。而以學習風格為考量的推薦學習(管怡婷，2004)，也利用推薦學習技術提高推薦的準確性。在行動學習整合進推薦系統中之研究中，利用行動裝置發展行動學習系統，並與推薦系統整合，創造更好的線上學習學習環境(Andronico, Carbonaro, Casadei, Colazzo, Molinari & Ronchetti, 2003)。利用推薦機制影響線上學習系統之研究，其發展具有找到相關網站內容能力的系統，採用觀察學習者的學習及蒐集評級來產生適性化的教材予以推薦(Tang & McCalla, 2003)。當推薦系統不斷的在發展之中，同時對於資料本身的規格也是被受重視的。在網路學習平台的不斷增加，而數位教材尚未統一之規範下，使得教材無法流通於網路中的每個平台。目前數位教材的製作上仍需耗費非常高的人力與時間，若教材無統一格式，將無法重覆使用，便難以有效降低製作成本。因應此問題， SCORM(Sharable Content Object Reference Model)的課程標準便產生。SCORM 是由美國國防部與白宮科技會於 1997 年所聯合推動的 ADL 計畫中提出的，其主要目標為建立共通性的架構，以達成學習工具與內容之共通性目標(鍾依萍， 2004)。因此，本研究也將會依據教材標準統一以及可跨平台之理念，採用 SCORM 標準去製訂相關推薦教材內容。我們從過去推薦學習系統相關研究中發現(邱永祥，2003；莊俊賢，2006；簡士堯，2004；管怡婷，2003；Andronico, Carbonaro, Casadei, Colazzo, Molinari & Ronchetti, 2003；Tang & McCalla, 2003)，推薦學習通常以分析過去學生修課記錄或分析使用者於網站中點閱記錄，或是如何取得更多資料探勘之前置資料為主，但從未有研究對當學習者增加學習領域或增加學習興趣時之推薦的議題探討。例如當一位學習者於教學網站中學習資訊課程，目前的學者研究方向是在資訊課程中該如何使學習者得到更精確的資訊相關教材之推薦，而推薦演算法的計算下，學習者還是無法得到新增領域或興趣高度的相關學習教材之推薦。. 4.

(13) 第二節. 研究目的. 當學習網站中的資料越來越多、類型越來越廣泛，使用者於茫茫網海中要找到幾門適合自己的學習教材將須先行克服。目前網路推薦學習的網站或研究，並無探究使用者在增加學習領域後之推薦方法，例如使用者進入一推薦學習網站中進行數位學習，假若初期使用者先修習計算機概論以做為電腦知識領域之入門，當修習一段時間後，或許會發現自己對其中之網路知識領域特別有興趣，此時系統仍只推薦計算機概論相關課程，學習者將無法獲得網路知識之教材推薦，仍需自己不斷於眾多網路知識教材中搜尋。另外，假設當使用者開始對資料庫課程產生興趣後，便自行點選其領域之教材，一般推薦學習系統僅以當初之資料進行推薦，而使用者無法迅速得到新增領域之推薦。本研究目的在符合 SCORM 標準教材的推薦學習系統下，針對當使用者增加學習領域或增加學習興趣時，給予迅速及準確的推薦。當使用者主動於系統中修改其學習興趣，系統將此動作視為增加學習興趣並立即給予增加領域的推薦。而當使用者在計算機概論中獲得一定程度的知識後，開始對人工智慧知識產生興趣，並自行於系統中點選人工智慧之教材多次後，系統將其動作視為增加學習領域，立即給予人工智慧教材的推薦。此外本研究再於推薦後探討使用者對於推薦學習系統的使用滿意度做為推薦成效之評估。因此本研究將針對以下三點目的進行探討：一、探討學習者對於推薦學習系統的推薦教材之準確性。二、探討推薦演算法對於學習者增加學習領域後的推薦結果之準確性。三、探討學習者對於推薦學習系統的系統整體接受度。. 第三節. 研究範圍與限制. 本研究範圍與限制如下說明。一、研究對象以大學生為主，其原因為大學以上之學生接觸領域比中學及其 5.

(14) 二、本研究是以探討推薦方法之成效為主，因此對於教材的製作上僅以符合 SCORM 標準及教材屬性之分類方式產生，因此具備高度專業程度以上之學生不在本研究探討範圍內。三、本研究因人力、時間與成本等相關因素之限制下，研究對象將以臺灣某國立大學資訊相關系所之大學生為母群體進行實驗。. 6.

(15) 第二章. 文獻探討. 本章節共分為共分七個小節，第一節說明推薦資料的評比方式及比較。第二節描述推薦系統的種類與應用。第三節為常見的推薦方法之描述及這些方法的應用範圍。第四節主要說明資料探勘的種類與關聯法則演算法之描述。在第五節裡，我們提到 SCORM 標準的發展與使用 SCORM 標準應用於教材的文獻探討。第六節在描述過去推薦學習的相關研究，探討推薦使用於網路學習的優勢。最後，第七節在本章所提出的相關研究後做一總結，說明本研究將於過去的研究成果基礎上，建立一智慧型推薦學習服務系統。. 第一節. 評比方式. 針對推薦演算法的過程發展，評比方式扮演舉足輕重的地位，而目前的評比方式分為：顯性評比與隱性評比。以推薦學習網站來說，顯性評比為學習者自行填寫興趣或欲學習的領域等資訊，而隱性評比則為系統在學習者不知情的情況下，記錄其使用及點選情況。針對兩種評比方式說明如下：一、顯性評比(Explicit Rating) 顯性評比的資訊來源完全由學習者輸入，所以推薦資訊具有高度準確性的，但學習者確可能因此無法得知其知識範疇之外的學習資訊。在以內容導向為基礎之網路學習導覽推薦之研究中，利用學習者所輸入其過去喜好的內容與所有教材內容做關聯比對以產生推薦(簡士堯，2004)。雖然顯性評比的準確性高，但相對會造成學習者的負擔，若過多的問項資訊需要學習者逐一輸入，則可能超過學習者的負擔以至產生資料正確性之疑慮。二、隱性評比(Implicit Rating) 隱性評比的資訊來源是在使用者可能不知情的情況下被系統記錄，例如學習者點閱過哪些教材、停留於網站某單元的時間或是每天登入的次數等。隱性評比不像顯性評比般會造成學習者額外的負擔且對於系統所獲得的資訊量也較多，但其資料的正確性就不如顯示評比來得準確。一般推薦系統獲得隱性評比後，仍會 7.

(16) 與顯性評比做對照以確保其資料正確性。評估隱性評比的可靠性，Morita 和 Shinoda 提出其研究結果，使用者閱讀文章的時間與使用者是否喜歡此文章為正相關，且與文章之長度無關(Morita, 1994)。針對顯性評比與隱性評比兩者之差異，如表 2-1 所示。表 2-1 顯性評比與隱性評比比較表(馮文正，2001) 評比方式顯性評比. 向度. 隱性評比. 資料量. 較少. 較多. 優點. 會造成使用者負擔. 使用者無負擔. (1) 資料直接且正確性高. (1) 資料正確性有疑慮. (2) 評比數量若過少會造成稀疏矩陣。. (2) 運算時間冗長. (1) 改善評比介面. (1) 改善演算法以提高資料正確性. 缺點. 改進方式. (2) 提供評比回饋. 第二節. (2) 改善系統硬體設備. 推薦系統. 隨著網際網路發展的成熟並且快速成為人們生活的一部份，然而，現今資訊超載(Information Overloading)已成為搜尋資料的嚴重問題。即使搜尋引擎能於彈指間獲得大量的資訊，但為了過濾這些資訊，人們仍耗費相當大的時間與心力去過濾，因此推薦的概念便產生。資訊超載相關研究如資訊檢索(Information Retrieval)及資訊過濾(Information Filtering)技術最早被提出。資訊檢索主要是用查詢的方式，由使用者自行輸入有興趣的資訊或由系統所提供的檢索頁面去選擇，搜尋引擎便是此種方式的代表(Oard & Marchionini, 1996)。目前的搜尋引擎皆以關鍵字搜尋為主，而這樣的方式使用者必須清楚瞭解所需要的資訊以及準確關鍵字的取用是否得宜，否則對搜尋結果仍要花費心力再過濾。而資訊過濾則是系統利用使用者過去的瀏覽記錄或資訊與網路中的文件做比對，讓使用者獲得相互符合的文件。換言之，資訊過濾可使得使用者獲得所需文件，就必須取得使用 8.

(17) 者的興趣描述，這些興趣描述可稱之為使用者的輪廓(profile)，使用者輪廓變動的速度是緩慢的，當系統有新文件加入時便會自動與使用者輪廓進行比對，將相符合的文件呈現給使用者(Belkin, 1992)。目前搜尋引擎技術已發展的相當成熟(Oard & Marchionini, 1996)，而使用者要的顯然已不再是被動式的資訊檢索，而是主動式的資訊過濾，也就是推薦系統誕生的時機點。Resnick 於 1997 年認為推薦系統是一種主動過濾使用者不需要的資料並對其呈現專屬的過濾結果，以及引起使用者產生興趣並完成目標的系統 (Resnick, 1997)。若以推薦技術上之設計方法進行分類，大致可將推薦系統分為兩大類，就是內容導向式推薦系統與合作式推薦系統。一、內容導向式推薦系統(Content-Based Approach) 內容導向式推薦系統之方法源自於資訊檢索的方法。首先建立使用者的輪廓資料檔，輪廓資料檔內記錄著使用者的基本資料及其興趣等資料。另外再將資料庫內的每筆資料加上屬性權重，建立成屬性串列(Attribute List)並與使用者輪廓檔進行比對進而給予推薦。而在使用者享受推薦的同時，亦記錄下使用者的瀏覽行為以做後續分析。例如：學習者在系統中輸入自己的學習領域後產生了學習者專有的輪廓檔，系統依照其資訊給予學習者相關領域的教材推薦。此類推薦系統著名的有 InfoFinder、WebWatcher 和 NewsWeeder。針對這三大推薦系統，我們分別描述如下： (一) NewsWeeder NewsWeeder 是一套網頁新聞的過濾系統，它會要求使用者在閱讀完每篇文章後皆對其評分，以表示自己對於此篇文章的推薦程度，系統便可由此資訊獲得使用者的偏好。此一系統中，使用者除了閱讀文章外，需額外對文章評比，若評比的數量不夠多，系統亦無法獲得精確的比對，因此在使用者享有推薦之前需承受相當大的負擔(Lang, 1995)。 (二) InfoFinder InfoFinder 是透過訊息資料集或是其它的線上網頁文件，來分析得知使 9.

(18) 用者的喜好類別，再進而推薦使用者會喜愛的網頁文件給使用者，它與其他推薦系統不同的地方在於它是使用啟發式(heuristic)搜尋技巧取得有意義的詞組，此法優點在於不需要太多的資料筆數即可正確取得使用者的興趣 (Krulwich, 1997)。 (三) WebWatcher WebWatcher 是網際網路上的資訊監視工具，用以協助使用者在某一個網站內找到使用者所需要的相關資訊。系統首先會要求使用者輸入他們感興趣的主題，之後在使用者瀏覽網頁的時候，判斷出該網頁中使用者感興趣的超連結，並比較網頁內容的相似度，再將這些超連結推薦給使用者。當然， WebWatcher 會根據使用者回饋機制來調整推薦的項目(Cooley, 1997)。內容導向式推薦系統的優點是依據使用者過去的偏好，給予較精確的推薦，但同時也造成使用者很大的負擔，而且內容導向式推薦系統的限制也會有許多，分別描述如下(Shardanand, 1995)： (一) 僅能分析單用屬性串列來表示的項目內容，且以目前的技術而言，無法有效的處理媒體屬性的內容。例如聲音、圖片、藝術品、影像等。 (二) 使用者僅能獲得與過去相類似的推薦項目，而無法獲得與過去有所不同且具意義性的潛在性推薦。以學習教材為例，當使用者的輪廓檔中記錄著一學習領域為人工智慧，此推薦方式將不斷給予此使用者人工智慧之相關教材的推薦，但或許該使用者對於生物科技也相當有興趣。 (三) 對於品質、風格或觀點無法有效處理。以新聞文章為例，當有數篇新聞的主題內容相同而內容品質有所差異時，此方式無法有效的分辨。. 二、合作式推薦系統(Collaborative Approach) 合作式推薦系統亦可稱為資訊過濾系統，此方法為先找出一群與使用者有相同喜好的鄰近夥伴(Nearest Neighbors)，並給予每一位鄰近夥伴一個權重值，此權重值代表使用者與相鄰夥伴的關係。而每一位使用者與資料庫中的資料亦有一 10.

(19) 權重值牽連著，經由這兩種關係可進而求得使用者較有興趣的項目(Terveen, 1997)。例如亞馬遜購物網站便採用此法來增加其收益，系統首先將使用者分群，並將相鄰夥伴曾購買過的書籍推薦給同一群的其他使用者，因此使用者可以獲得不相識卻分為同一群之使用者的推薦書籍。此類推薦系統著名的有 Referral Web、PHOAKS 與 GroupLens。 (一) Referral Web Referral Web 是一種結合社群網路與合作式過濾推薦的推薦系統。它不需使用者主動建立使用者的輪廓檔，系統將會透過電子郵件往返的記錄和其它可以找到使用者資訊的方法，主動分析使用者與使用者之間的關係，建構出社群網路。透過社群網路，使用者可以接觸到更多不同領域的使用者及知識，換言之使用者可以接收到的資訊建議範圍是相當廣泛的(Kautz, 1997)。 (二) PHOAKS(People Helping One Another Know Stuff) PHOAKS 利用使用者相互合作的方式過濾文章，分析 Usenet 網站中推薦的的網址連結的數量做為推薦的依據。Usenet 為一著名的新聞網站，此網站具有大量、常更新的特性，特別適合做為推薦過濾的研究。當 Usenet 中文章內的網址連結被推薦的數量越多，則表示此文章越值得被推薦，並統計每一個網址連結有多少筆推薦，由此來推薦給其他需要的使用者。因此由此可以得知，PHOAKS 不像一般推薦系統，使用者同時扮演推薦者與接受推薦者(Terveen, 1997)。 (三) GroupLens GroupLens 同樣是在進行新聞網頁的推薦，但此系統與 PHOAKS 不同的是，它會要求使用著針對新聞網頁做 1 到 5 級分的評比，再依據評比的分數將使用者分群，最後再將同一群中其他使用者閱覽過的網頁新聞拿來做推薦。不過因為新聞網頁的更新速度頻繁，使用者相似度計算也跟著變頻繁 (Konstan, 1997)。. 11.

(20) 第三節. 推薦方法. 目前有許多的推薦方法被提出，但最主要的核心推薦可以分為內容導向式推薦與合作式推薦，其他的方法大多為此兩種的延伸或混合使用。網際網路上經常被使用的推薦方法可歸為四類(Schafer, 1999)，分別敘述如下：一、非個人化推薦(Non-Personalized Recommendation)：此種推薦方式又稱為 TOP-N，主要是依據最近熱門的商品或資訊來進行推薦，並不考慮被推薦者的個人興趣及其他相關權重係數，因此所有使用者會獲得相同的推薦資訊。此推薦方法經常用於廣告用途，例如：Yahoo!中的熱門關鍵字，此熱門關鍵字的產生是由所有被鍵入的查詢字眼統計出現次數，將數量最多的九筆顯示於頁面中，因此所有使用者皆是看到同樣的推薦資訊。二、屬性式推薦(Attribute-based Recommendation)：此種推薦方法之作法是內容導向式推薦的核心，是以事物的辭義特性 (Symactic Properties)為基礎進行推薦，被推薦者通常需要對推薦系統輸入一個資訊，推薦系統才能根據此資訊進行屬性比對進而給予推薦。這種推薦方法最常見的應用便是搜尋引擎，例如：於 Google 搜尋引擎中輸入一關鍵字，凡是與此關鍵字有相關的、甚至間接相關的結果皆會呈現出來。三、物品關聯式推薦(Item-to-Item Correlation)：此種推薦方法是先將每件資料庫中的物品給予相互關係之權重值，並將被推薦者感興趣事物之權重值與前者做計算，以相互之間的關聯性進行推薦，例如使用者於購物網站中瀏覽，並將放咖啡與冰糖置入購物車，而系統便根據所置入之商品權重，給予奶精與餅乾商品的推薦。四、人物關聯式推薦(People-to-People Correlation)：此種推薦方法之作法是合作式推薦的核心，是以使用者與使用群之間的相關性進行推薦，而這種作法可使被推薦者獲得意外的發現，例如：一課程網站中，所有的學員經由輪廓檔進行分群後被歸納為喜好電腦資訊的一群，再由此群找出. 12.

(21) 與被推薦學員最相近的鄰近夥伴，而此鄰近夥伴除了電腦資訊的喜好外還有健身的興趣，而系統因判定兩者為相當類似的學員，因此雖然被推薦者從未點選過健身相關的教材，但也可能會有健身興趣產生，故將健身教材予以推薦。. 第四節. 資料探勘及關聯法則演算法. 當我們所蒐集的資料愈來愈多，在眾多眼花撩亂的資料中，可能隱藏哪些有用的資訊或是規則可運用於決策，一直都是研究者所關心的焦點。像美國超級市場 Wal-Mart 的案例中顯示週四買啤酒的顧客也會同時購買尿布，而一般人很難想像這兩樣東西擺在一起能夠刺激商品的銷售業績。另外美國銀行從其客戶資料中，找出既有客戶申請貸款的時機，並且利用找出的規則來規劃全新的行銷方案，當該方案推出後，美國銀行的房屋質押貸款接受率立即成長兩倍以上。以上這兩個成功的案例皆是靠資料探勘技術所賜(曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯，2007)。一、資料探勘概念資料探勘的目的是從大量的資料當中把這些對於決策過程有幫助的規則找尋出來，同時清除沒有用的資料(Han, 2001)。另外，也有其他研究說明了資料探勘的三個目的(Olaru, 1999)，第一先從龐大儲存的資料中處理資訊，之後便發展更好的方法以處理不明確的資料及支援未來的決策分析，尤其是需要複雜計算和重要特定領域知識等情況下的資料蒐集。最後再建立資料搜尋模式用以過於龐大或複雜的資料。例如美國匯豐銀行在 140 萬筆客戶資料中，以生活方式來區隔客戶並進行行銷活動，對投注於行銷策略的資源做最佳化規劃。因此，如何從這種資料來形成高階具有意義的結構便非常重要(曾憲雄等人，2007)。資料探勘的模型主要分為資料分類 (data classification) 、資料分群 (data clustering)(Jain, 1988)、資料關聯(data association)(Srikant, 1995)與循序樣式探勘 (sequential pattern mining) (Jain, 1988)四種。資料分類可按照分析對象的屬性分門. 13.

(22) 別類加以定義，建立類組。例如將信用卡申請者的風險屬性，區分為高度、中度以及低度風險申請者。資料分類模型可用於一些已經被分類的資料來研究它們的特徵，再經由這些被研究出的特徵對其他尚未分類或是新的資料作預測。此模型常用的技巧有決策樹、記憶基礎推理等。資料分群模型主要的功能是將資料自動區隔成幾個特性相近的群集，並將群集與群集之間的差異找出來，同時也可找出同一群集中成員們的相似性。資料分群與資料分類不同的地方在於前者可用於在不知道資料能分成多少種群集或是該依據什麼特徵的情況下來做分析。資料關聯模型是用以探討資料項目間的關係，找出某一件事或是資料中會同時出現的項目，例如，假設一顧客買了筆記型電腦，而此顧客會於同時再購買隨身碟的機率是 80%。此模型可試圖找出多條規則，而每一條規則都可得到一個相對應的結論，但也可能因此花費過多的時間。循序樣式探勘模型與資料關聯模型很相似，它們不同之處在於循序樣式探勘模型中相關的資料項目是以時間區分開來，例如，假設當顧客買了筆記型電腦之後，三個月內會再買隨身碟的機率是 75%。此模型所得到的結果往往可以用來作為趨勢預測的依據之一(曾憲雄等人，2007)。二、關聯法則(Association Rule) 關聯法則為資料探勘中相當重要的一個議題(Lockwood, 1995)，一般交易資料庫中都儲存著數量龐大的交易資料，而每一筆交易記錄也都會連帶記載著與之相關的項目(item)，這些項目包含使用者相關資料及交易的項目或時間等；而資料探勘的技術便可從這些大量的資料中，找出交易中可能相關聯的項目。例如 80%的顧客如果購買碳粉夾，同時也會購買報表紙(曾憲雄，2007)。而關聯法則的邏輯分析主要分兩個階段(Lockwood, 1995)，首先是群組項目的搜尋，從所有的資料中找出支持度高的群組分類項目集合。換句話說，先刪除項目集合中出現頻率低於最小支持度的項目，產生代表性的項目集合，再根據所產生的結果逐步合併成為更大的項目集合。當群組項目的搜尋完成後，便是在群組項目中建立所有關聯法則，再從群組項目的搜尋找出最常出現的產品項目集合以建立關聯法則。以實例應用之規劃流程說明，先分析交易資料庫中的資料，若每一筆資料中 14.

(23) 都包含一個且唯一的交易編號與一組已銷售的商品編號項目時，則可視此組編號項目為項目集。若每一個項目集中的商品項目皆包含在整個交易中時，則稱此種情況為交易支持(Support)項目集。而項目集出現在所有交易資料中的總數量，稱為項目集的支持個數(Support Count)。另外，項目集的支持個數佔所有交易資料數量的總比例則稱之為項目集的支持度。以表 2-2 銷售清單為例，當我們要找出銷售最好的單一商品時，可以用支持個數與支持度做分析。表中總交易數量為 5 筆，A 商品項目共出現 3 次，其支持度個數為 3，支持度則為 0.6(支持個數/總交易數)。以此類推後，便能找出商品 C 是銷售最好的(支持個數為 4，支持度為 0.8)。若以組合商品來分析，則可分析出{A, B}與{B, C}的銷售組合最好(支持個數為 3，支持度為 0.6)。. 表 2-2 銷售清單銷售交易編號. 商品編號項目集. T-001. A, B, C, F. T-002. A, B, F,. T-003. A, B, C, D,. T-004. B, C, D, F. T-005. C, E, F. 關聯法則的基本形式為 X → Y [支持度, 信心水準]，其中 X 與 Y 代表項目集， X 被稱為條件描述，Y 則為結論描述。X ∪ Y 的支持度指的便是關聯法則 X → Y 中的支持度。而符合條件描述與結論描述的交易個數佔全體符合條件描述的交易個數之比例稱之為關聯法則 X → Y 中的信心水準(confidence)，以邏輯運算式來表示此信心水準則為：信心水準 = (X ∪ Y 的支持度) / (X 的支持度)。使用關聯法則必須滿足事先設定最小支持度(Minimum Support)及最小信心水準 (Minimum Confidence) 兩個運算值。最小支持個數(Minimum Support Count)在所 15.

(24) 有交易數的比例即是最小支持度。以表 2-2 為例說明，在所有的銷售資料中，假設最小支持度與最小信心水準分別為 0.2 與 0.6。關聯法則{B, C} → {F}的支持個數為 2，因此其支持度為 2 / 5 = 0.4，且項目集{B, C}的支持度為 3 / 5 = 0.6，故採用關聯法則{B, C} → {F}的信心水準為 0.2 / 0.6 = 0.33。在資料探勘關聯法則中，最常用與最著名的方法便是 Apriori 演算法(Srikant & Agrawal, 1994)，此法是一種不斷掃瞄交易資料庫，利用層次過濾及消除的方法找出資料與資料間的所有關聯法則的演算法。其規劃處理方式說明如下 (Srikant & Agrawal, 1994)：一、假設一個項目集中包含 N 個項目則稱之為 N-項目集(N-Item-Set)。二、所有大型 N-項目集(Large N-Item-Set)所成的集合，它的支持個數必定大於或等於最小支持個數。三、 Apriori 演算法的核心概念為使用上述之大型項目集做為下一階段大型項目集的依據。換句話說，假設被找出的一大型項目集為 L1，利用 L1 找出 L2，再利用 L2 找出 L3，以此類推直到下一階段無任何大型項目集產生為止。四、在實作方面為減少不斷建立大型項目集花費過多的時間，因此 Apriori 使用「一個大型項目集的任何子集合也必定是大型項目集」的設計概念以減少搜尋的時間。五、另外於實作設計中，會運用結合與刪除兩特性，從主交易資料庫來建立候選項目集(Candidate ItemSets)。所謂結合是指將可相互結合的大型項目集相結合，以產生候選項目集，而設計的流程為： (一)結合大型(K-1)-項目集來產生候選 K-項目集(candidate K-Item Sets)。 (二)假設 X1 及 X2 為兩大型(K-1)-項目集，且項目集中的所有項目皆已完成遞增排序。 (三)X1[j]表示項目集中第 j 個項目，若 X1 與 X2 的前 K-2 個項目皆相同，且為避免重複的候選 K-項目集產生，必須符合 X1[K-1] < X2[K-1]的條件，則 X1 與 X2 將被結合成一候選 K-項目集。其中必須特別注意的是， 16.

(25) 項目集與項目集比較時，其中各個元素的排序並不在考慮範圍內，例如項目集 X1 = {1, 2, 3, 4, 5}與項目集 X2 = {5, 4, 3, 2, 1}將視為完全相同之項目集，因此為避免在產生候選 K-項目集時有元素重複，在結合時必須考量 X1[K-1] < X2[K-1]的條件。. 我們以實例說明如下：若 X1 及 X2 分別為一 3-Item 的項目集，其值為： X1 = {1, 2, 3 } X2 = {1, 2, 4 } 經比對後列出， X1[1] = X2[1] = 1 X1[2] = X2[2] = 2 X1[3] < X2[3] ，可發現兩項目集是符合結合條件，因此可將 X1 與 X2 結合為另一 Xn 候選大型項目集，Xn = {1, 2, 3, 4 }。六、 Apriori 演算法另一特性刪除指的便是將無法滿足於 Apriori 演算法特性的候選項目集刪除。. 第五節. 推薦學習. 推薦技術使用於電子商務等商業用途中已非常普遍，推薦相關的商品可增加網路購買的訂單，例如從網路上購買手機，可從手機之間的點閱率發現手機之間的關聯性，而使用者便可利用這些產生出的資訊於相同性質的商品上做比較，找尋到最適合自己的商品。使用相同的邏輯概念，我們也能將推薦技術用於學習，並比較推薦結果的優劣。邱永祥(2003)提出運用類神經網路與資料探勘技術於網路教學課程推薦之研究，主要以學習者為主，透過類神經網路與資料探勘技術，. 17.

(26) 建立能依社群性、興趣性及選課性等多元化管道推薦網路教學之課程。利用類神經網路做為學習者分群處理技術，產生學習者社群，並有效率的產生相同社群的學習者課程推薦、興趣社群對課程的推薦以及已選修課程學習者的關聯式課程推薦。藉此多元化的課程推薦，以提高學習者之學習興趣並作為學習者選課前之參考(邱永祥，2003)。邵秀梅(2003)提出資料探勘應用於個人化網路學習導覽推薦之研究，此研究提出一套個人化網路教學導覽推薦機制，結合合作式推薦方法與資料探勘中的叢集分析、關聯法則探勘技術，將學習者的網路教材瀏覽記錄拿來進行學習者分群推薦與學習者不分群推薦的實驗比較，其結果為運用分群方法在個人化網路學習導覽推薦的應用上可以提供較準確、較符合學習者需求的教材瀏覽建議，並針對網路教材瀏覽的特有性質設計出一套新的學生分群方法，以提高推薦的準確度(邵秀梅，2003)。也曾有學者提出將行動學習整合進推薦系統中之研究，此研究以手機或 PDA 等行動裝置發展一套行動學習系統，並以該校已有的推薦系統整合，使學習者獲得更有利的線上學習環境(Andronico, Carbonaro, Casadei, Colazzo, Molinari & Ronchetti, 2003)。此外，在利用推薦機制影響線上學習系統的研究，他們發展一套具有找到相關網站內容能力的系統，而該系統會觀察學習者的學習和評級以產生適性化的教材給予其他學習者。因此，雖然學習者們沒有直接的互動，卻可藉由教學網站檢索其他學習者的相關資料(Tang & McCalla, 2003)。簡士堯(2004)提出以內容為基礎之網路學習導覽推薦之研究，此研究以內容為基礎的推薦方式，利用跟使用者過去所喜好相似的內容來推薦，將使用者瀏覽過的教材網頁做關鍵字的擷取，並與所有教材網頁的關鍵字做比對，藉由尋找彼此相關聯的教材網頁來達成推薦的目的。透過內容為基礎觀念的基礎將單一使用者瀏覽過的網頁內容及瀏覽順序加以過濾，並使用資料探勘的技術針對內容上進行分群，在分群的模組中判斷使用者的興趣及學習程度，進而推薦給使用者合適的學習內容，達成事半功倍的學習效果(簡士堯，2004)。管怡婷(2004) 提出以學習風格為基礎之學習資源推薦機制研究，此研究首先利用問卷分析學習者的學習風格，將學習者分成四種學習風格，再將不同風格學習者的瀏覽記錄做 18.

(27) 關聯規則分析，找出四種學習風格學習者的瀏覽行為模式。最後將學習者瀏覽記錄與規則比對後，推薦未閱讀文章及相關文章給予學習者學習(管怡婷，2004)。林易虹(2005)提出符合 Learning Design 標準學習活動的推薦系統之研究，此研究提出了一套學習活動的推薦機制，以達到能夠有目標性地搜尋並重複利用符合 Learning Design 標準之教學活動的目的，而研究結果顯示此推薦機制可輔佐使用者找到適合他們需求的學習活動(林易虹，2005)。莊俊賢(2006)提出在線上學習系統透過資料探勘技術建構推薦學習，此研究在線上學習系統平台上建構一推薦系統，利用目錄式之學習方式，並透過 Web Mining 的技術做推薦，推薦有效的學習路徑給學習者，讓學習者在線上學習系統可做有效率的學習(莊俊賢， 2006)。郭睿原(2006)提出數位學習系統利用模糊理論和叢集技術採礦使用者傾向以推薦學習物件內容之研究，此研究整合已有的數位學習技術，以模糊理論及叢集技術分析分別描述學習者之知識所具有不明確的特質及學習者對於領域知識中概念理解之分佈和學習傾向，設計新的演算法輔助學習，引導學習者學習其他新的概念知識，可有效改善使用者的滿意度。其研究結果顯示，提出的輔助模組能有效幫助不同能力之學習者完成領域知識之學習，同時也具有顯著的推薦準確度(郭睿原，2006)。本研究將上述與推薦學習相關的文獻整理如表 2-3 所示。. 表 2-3 推薦學習相關文獻整理學者 (年代). 研究目的. 研究結果. 邱永祥 (2003). 整合類神經網路與資料探勘此課程推薦機制具有社群特技術，設計一套能對學習者進質、關係性質、學習者分群行分群，並依分群結果、個人效率高三種特質，並能產生學習興趣及其選課資料產生適當的課程推薦資訊。推薦機制提供給學習者具參考性的選課依據。. 19.

(28) 表 2-3. 推薦學習相關文獻整理(續). 學者 (年代). 研究目的. 研究結果. 邵秀梅 (2003). 提出一套個人化網路教學導運用分群方法在個人化網路覽推薦機制，結合合作式推薦學習導覽推薦的應用上可以方法與資料探勘中的叢集分提供較準確、較符合學習者析、關聯法則探勘技術，將學需求的教材瀏覽建議，並針習者的網路教材瀏覽記錄拿對網路教材瀏覽的特有性質來進行學習者分群推薦與學設計出一套新的學生分群方習者不分群推薦的實驗比較。法，以提高推薦的準確度。. Andronico,. 將行動學習整合進推薦系統利用行動裝置使學習者於網. Carbonaro,. 中之研究，此研究以手機或路中互動交流，而系統在從. Casadei,. PDA 等行動裝置發展一套行中蒐集學習者的資料，再給. Colazzo,. 動學習系統，並以該校已有的予適合教材的推薦，達到行. Molinari and. 推薦系統整合。. 動學習與推薦系統的相互結合。. Ronchetti (2003) Tang and. 利用推薦機制影響線上學習所有的學習者沒有直接的互. McCalla (2003). 系統，發展一套具有找到相關動，並可藉由教學網站檢索網站內容能力的系統，而該系其他學習者的相關資料，同統會觀察學習者的學習和評時觀察與蒐集學習者的資級以產生適性化的教材給予料，提高適性化學習。其他學習者。. 簡士堯 (2004). 建構一個以教材內容為導向利用學習者瀏覽網頁的內容的網路課程教材推薦機制，協以計算相似度，找出與其相助學習者迅速掌握自己在學近的網頁內容，再透過不同習上的需求。. 的推薦策略達到較高準確度的推薦。. 20.

(29) 表 2-3. 推薦學習相關文獻整理(續). 學者 (年代). 研究目的. 研究結果. 管怡婷 (2004). 加入學習風格考量以提高推於推薦學習中加入學習風格薦機制的效果，以實作學習風考量具有顯著的推薦準確格關聯推薦機制並驗證。挖掘度，並發現不同學習風格之出各學習風格學習者的共同瀏覽行為模式。學習行為模式。. 林易虹 (2005). 提出了一套學習活動的推薦此推薦機制可輔佐使用者找機制，以達到能夠有目標性地到適合其所需求的學習活搜尋並重複利用符合動。 Learning Design 標準之教學活動的目的。. 莊俊賢 (2006). 蒐集使用者的學習路徑並運使未來的學習者減少許多試用推薦技術加以分析，將課程探學習路徑的時間，增加學推薦給學習者。. 郭睿原 (2006). 習者的學習速度。. 整合已有的數位學習技術，以其提出的輔助模組能有效地模糊理論及叢集技術分析分幫助不同能力之學習者完成別描述學習者之知識所具有領域知識之學習，同時也具不明確的特質及學習者對於有顯著的推薦準確度。領域知識中概念理解之分佈和學習傾向，設計新的演算法輔助學習，引導學習者學習其他新的概念知識，可有效改善使用者的滿意度。. 從以上相關文獻得知，推薦技術不但於電子商務中有良好的成效，運用於數 21.

(30) 位學習上更能強化數位學習優於傳統教學。在過去的研究中發現，推薦技術使用於數位學習中，不論是學習者所瀏覽過的教材網頁、學習風格或是學習路徑等，皆與資料探勘相關技術有著密不可分的關係，而最終的目的都是要給予學習者準確的推薦、增加學習者學習的速度及學習滿意度。. 第六節. SCORM 數位教材標準. SCORM(Sharable Content Object Reference Model)是由美國白宮科技辦公室室與國防部於 1997 年所共同推動的 ADL(Advanced Distributed Learning)先導計畫中，綜合統早期標準組織的成果，得以推出共享式內容元件參考模式 SCORM 並得到普遍性的認同。ADL 主要的訴求在於提供高品質的教學內容與訓練、針對個人訂作一套適性化的學習內容以及在任意時空中具備成本效益的學習等(徐文杰、林沛傑，2003)。SCORM 標準涵蓋內容除 ADL 計畫中的內容外，還包括執行環境(Run-Time Environment, RTE)與課程物件內容的整合模式(Content Aggregation Model, CAM)。執行環境主要引用 AICC 對於互通性的規範，利用 API Adaptor 建構學習者與 LMS 之間的環境。課程物件內容的整合模式則描述各類學習課程資訊，將相關的學習訊息包裝成同一個課程，使其可在不同的系統間使用(鍾依萍，2004)。在 SCORM 標準規格內容涵蓋教材的開發、包裝、交流等主題，其目標是讓教材內容達到可存取性(Accessibility)、可溝通性(Interoperability)、耐久性 (Durability)、再使用性(Reusability)四項要求(Adlnet, 2001)。可存取性主要是使用者可跨越時空於網路上存取到需要的教材，可溝通性是在某平台上使用某工具開發的教材，可以被其他平台或工具接受，達到跨越平台，並以網頁瀏覽器做為與使用者溝通的媒介。耐久性是當系統軟體版本更新或改變時皆能向下相容，不需重編教材內容。而再使用性可將一教材內容整合至不同的應用程式或其他的課程中，並可提供不同的開發工具來使用。教材標準的統一是未來的趨勢，符合. 22.

(31) SOCMR 標準的教材可在不同學習平台環境中流通，雖然製作符合 SOCMR 標準的課程較繁瑣，但近幾年符合此標準的製作工具已產生，使製作上變得簡單及省時，教材相對也將愈來愈豐富。. 第七節. 小結. 在本章節中，我們針對過去與推薦機制相關的研究文獻進行探討。以往推薦機制相關的研究，都以推薦結果的正確性或是推薦演算法的複雜度為主要研究議題，本研究內容導向為基礎發展智慧型推薦學習服務系統，主要針對當學習者增加學習領域或學習興趣時，也能即時給予準確的需求推薦。在前置資料處理方面，本研究將顯性評比與隱性評比混合使用，其原因為顯性評比之特色為較具正確性，但卻會對使用者造成一定的負擔。為解決此一問題，我們將顯性評比的資料輸入量降低，並以程式控制自動轉頁來降低學習者負擔。而隱性評比的取得方式則以學習者於系統中的點閱記錄為主，曾點選過的教材將全部以串列方式存進資料庫，此時我們便可利用這些串列資料加上使用者的顯性評比資料進行分析。本研究以 Schafer(1999)所提出的推薦方法為基礎，在本研究中實作三種推薦方法，分別為 TOP-N 最熱門推薦法則、關聯推薦法則方法以及我們設計開發的智慧型推薦學習服務學習演算法。TOP-N 最熱門推薦法則是以學習者點選最多的教材做為推薦依據。然而，有可能推薦的學習教材並不屬於學習者有興趣的學習領域，所以 TOP-N 最熱門推薦法則也屬於非個人化推薦的概念。關聯推薦法則是採用關聯法則中的 Apriori 演算法，並以使用者於系統所點閱過的教材記錄做為前置資料，而這些記錄皆為隱性評比資料，並由 Apriori 演算法分析教材與教材之關聯性，進而給予使用者推薦。Apriori 演算法較不適用於中小型推薦學習系統(莊俊賢，2006)，因其設計方式需要大量的前置資料才能出現一定準確性的關聯，這樣的做方比較不適於用需要即時性資料的線上學習平台，而以一般教學網站又不易取得太多使用者的相關資料。因此，本研究採用顯性評比資料與隱. 23.

(32) 性評資料同時做為資料探勘前的前置資料，並以取得 TOP-N 最熱門推薦法則與 Apriori 關聯推薦法則兩者之優缺點，並將設計焦點著磨於學習者新增學習領域及學習興趣時推薦學習教材的準確性，也能讓學習者感到滿意。在現在網路資訊超載的時代中，推薦已越來越被重視，線上學習網站的資料量亦愈來愈豐富與多元化，學習者在自身知識領域範圍內的推薦已有許多研究成果，但在多元性的教學網站中可能有許多也為學習者有興趣的教材無法被推薦，也可能在使用者偶然發現新學習領域的情況下，系統仍給予原本領域的推薦。在教材方面，為配合目前線上學習之趨勢，本研究採用 SCORM 標準進行教材製作，如此教材便能於其他平台或工具中被再利用，相對本系統符合此教材標準亦能將已有的相容教材加入，讓學習者能獲得更多豐富多元的教材。. 24.

(33) 第三章. 研究方法. 本章節共分六個小節，第一節說明本研究之系統架構，描述學習者在使用系統的流程、本系統所使用的推薦方法以及本系統建製環境。第二節主要描述顯性評比與隱性評比之前置資料的蒐集，並針對系統內的表單加以描述。第三節將詳述本系統所使用的推薦方法，其中包括本研究提出的智慧型推薦學習服務法則，並以實例說明每一個進行步驟。第四節是描述本系統中教材的分類方式，並詳述製作符合 SCORM 標準之教材的過程。第五節描述本研究之實驗模型以及實驗設計與流程。第六節則是描述問卷設計以及問卷前測的情形。. 第一節. 系統架構. 本研究之推薦學習系統共實作三種推薦方法，分別為 TOP-N 最熱門推薦、關聯推薦與智慧型推薦學習服務。TOP-N 最熱門推薦是採用點選次數最熱門之教材，但並不考慮任何其他相關因素。關聯推薦主要是運用關聯法則中著名的 Apriori 演算法，將每一位使用者之點選記錄串列為資料進行探勘以計算出教材與教材之關聯性。第三種方法則是本研究所提出之智慧型推薦學習服務，同時考慮學習者之顯性及隱性特性，並應用於當使用者增加學習領域或新增學習興趣時之有效推薦。本研究將實作線上學習網站，其架構流程說明如圖 3-1 所示。學習者登入網站進入系統後，系統最先設定使用者基本資料；所以學習者若為第一次登入，系統會自動將頁面導入基本資料之表單以進行勾選。在使用者基本資料表單中共有四個項目：學科興趣、教材難易度、學習時間長短與學習的型態。學科興趣便是學習領域的選擇，使用者將選擇自己有興趣的學科做為學習領域的依據。教材難易度共分初階、進階與高階教材三種，使用者可自己決定其所需的教材難易度。學習時間長短亦分 30 分鐘以內、30~60 分鐘及 60 分鐘以上的教材三種，此項目主要是讓使用者決定希望獲得的教材內容份量之多寡。而學習型態共分為介紹型、理論型、實務型與計算型四種型別，此項目主要目的是讓使用者決定希望獲得的教材內容之型別。這四種項目亦與教材屬性有密切的關係，換言 25.

(34) 之，這四種項目也是教材分類之依據。當基本資料建立完畢後，便可於網站中瀏覽或下載教材進行學習，而在使用者點選的過程中，系統將記錄使用者的動作，例如當一使用者登入系統後，便開始記錄使用者曾經點選過哪些教材，並記錄於一串列中，假設點選 A 教材後又點選了 B 教材，串列將記錄為{A,B}，並於每一次登入為單位去新增一串列。. 圖 3-1 系統架構圖. 本系統共使用三種推薦方法，並於實驗中由後端管理者選擇該系統是使用何種推薦方法，若採用本研究所提出之智慧型推薦學習服務演算法，則系統會將取出的資料以進行推薦規則運算，假設運算結果認為學習者有改變學習領域，便會自動新增推薦新增領域學科的教材，反之則只推薦原本選定領域的教材。本研究在實作系統方面是採用網頁程式語言 PHP 及資料庫 MySQL 進行開發，並利用自由軟體 XOOPS 具有模組功能的特性，將系統建置於其中。XOOPS 26.

(35) 是一種可擴充、具物件導向且易於使用的動態網站內容管理系統，它採用 PHP 語言來設計，另外一項特點是 XOOPS 可利用自行開發或下載的模組進行安裝，便能使用模組之功能。本研究之推薦學習服務系統便以模組方式開發，並能安裝於其他 XOOPS 中，而選用 XOOPS 是因它廣泛的使用於校園資訊系統中，有利於廣泛安裝推廣所使用。. 第二節. 前置資料的蒐集. 一、顯性評比資料的蒐集若學習者為第一次登入，本系統會自動將頁面引領至興趣表單中，如圖 3-2 所示，以便使學習者不至於忽略興趣表單，同時系統也能快速取得學習者之顯性評比資料。於興趣表單中，學科興趣所顯示的科目名稱是於管理者後端所控制，因此管理者可藉由管理者後端頁面自行增減科目，如圖 3-3 所示。本研究以國立某大學之數位內容科技系大學生為受測母群體，而科目選擇以計算機概論、資料庫系統與電腦網路三科為主。計算機概論為一般大學資訊學程之基礎必修科目，此科目範圍甚廣，本研究利用此科目概論之性質，引導學習者進一步對資料庫系統或電腦網路兩門較為專業之科目生興趣。興趣表單項目中的教材難易度劃分為初階、進階及高階三種不同層級的教材，學習者可於過去所上過的課程內容介紹之深度與廣度或是過去之學習經驗做為選取的考量。學習時間長短項目以 30 分鐘以內、30 至 60 分鐘及 60 分鐘以上之三種教材為分類，學習者以教材內容的多寡或是以過去學習經驗做為選取的考量。而學習的型態項目分為介紹型、理論型、實務型與計算型四種類別，學習者可以於過去自己學習型態的喜好或是課程內容需求做選取的考量。當點選完畢並執行送出後，此顯性評比便存於資料庫中，當學習者認為教材與自己的認知有異時，可於日後再至興趣表單中修改。. 27.

(36) 圖 3-2 系統之興趣表單頁面. 圖 3-3 管理者後端新增科目頁面. 二、隱性評比資料的蒐集學習者登入系統後，若非第一次登入，系統會導入到推薦學習的頁面，如圖 3-4 所示。此頁面分為兩個區域，上方為推薦區域，下方則為教材列表區域。不論是推薦或是教材列表所顯示的教材，都有網頁超連結以提供學習者點閱或下載教材，學習者所點下的每一筆教材皆會被系統所記錄點擊次數，另外連續的點閱 28.

(37) 或下載則會被系統以串列的方式存於資料庫中，做為學習者於網站中之學習路徑。隱性評比蒐集的步驟如下說明。步驟 1：學習者登入系統後，便立即於資料庫中新增一筆學習路徑資料。步驟 2：當學習者點擊一教材超連結後，便將此教材之編號更新至學習路徑資料中。步驟 3：在更新學習路徑資料的同時，也會增加一次教材點擊次數的記錄。步驟 4：若學習者再次點擊另一筆教材，將再各自執行步驟二及步驟三，在步驟二更新的過程中，學習路徑便開始以串列方式儲存。步驟 5：在使用者登出系統後，則完成一筆學習路徑的隱性評比資料。. 圖 3-4 推薦學習頁面. 29.

(38) 第三節. 推薦學習演算法. 本節將對最熱門推薦法則、關聯推薦法則與本研究所提出之智慧型推薦學習服務演算法進行描述，並以範例解釋各種法則在推薦學習系統之運作情形。一、最熱門推薦法則：TOP-N 以非個人化推薦之概念發展，此推薦方式並不考慮興趣表單中學習者所勾選的學科。僅從資料庫中找出最多使用者點選過的教材，進行篩選出最多點選次數的前 N 筆給予推薦。TOP-N 最熱門推薦演算法如圖 3-5 所示，步驟如下說明。步驟 1：首先取出所有學習者點選教材的記錄。步驟 2：將記錄中最高的三筆資料篩選出來並給予推薦。 TOP-N RULE array1 : Click the number of teaching materials as array; var1 : showing number of recommedation; for(i←1;i<=var1;i++) do begin foreach sort(array1) as value result += value; end return result;. 圖 3-5 TOP-N 最熱門推薦演算法. 我們以實例說明如下，如圖 3-6 所示。當學習者登入後，系統將先取出所有教材的點閱次數，如圖所示五個教材分別顯示個別被點閱過的次數。以點閱次數欄位做排序後，可以得到教材 D、教材 B 以及教材 A 為點閱次數最高的前三筆資料，此時便將該三筆資料給予學習者推薦。. 30.

(39) 教材編號. 點閱次數. A. 15. B. 20. C. 教材編號. 點閱次數. D. 28. 3. B. 20. D. 28. A. 15. E. 10. 2. 取出點閱次數最高的前三筆資料. 所有教材之點閱次數 1. 給予推薦. 登入系統編號 1 之學習者. 資料庫. 圖 3-6 TOP-N 最熱門推薦方法二、關聯推薦法則：以物品關聯式推薦概念發展，以 Apriori 演算法為基礎建立此推薦法則，目的將使用者所點選過的教材以串列方式儲存進資料庫，並經由演算法運算後取得教材與教材之間的關聯，進而推薦給學習者。關聯推薦法則演算法如圖 3-7 所示，步驟如下說明。步驟 1：首先取出所有學習者點選教材之路徑串列。步驟 2：將所有的路徑串列區分為登入之學習者的路徑串列與其他學習者的路徑串列。步驟 3：並以登入之學習者的路徑開始進行分析，並將大於此項目集之其他串列做比對。步驟 4：若有比對出相同的路徑，則將比對出之相符路徑的下一個項目記錄下來。步驟 5：當下一個項目的次數超過最小支持個數後，便將此項目取出並給予登入學習者推薦。. 31.

(40) ASSOCATION RULE array1 : another user's learning path as array var1 : number of another user's learning path foreach sort(learning path of user login) as value do begin for(i←1;i<=total teaching materials number;i++) do begin temp ← value + i; for(k←1;k<=var1;k++) do begin if(temp == array1[k]) then result +← i; end if end end end return result; 圖 3-7 關聯推薦法則演算法. 我們以實例說明如下，並假設最小支持個數為 3，如圖 3-8 所示。編號為 1 之學習者登入系統後，系統首先將所有存在於資料庫之中的學習路徑資料全部取出，而資料表之欄位包括學習路徑及學習者編號。取得資料後便依照學習者編號分類，與登入者編號相同之資料將從母群體分離之。此時從編號為 1 之學習者學習路徑資料表中的第一筆{A, B}學習路徑開始與其他學習之學習路徑進行比對。{A, B}為 2-項目集之串列，在比對前會先將其他學習者之學習路徑中，小於或等於 2-項目集之資料先過慮掉，之後以迴圈方式由{A, B, A}、{A, B, B}、{A, B, C}、 {A, B, D}等開始對其他學習之學習路徑逐一比對。比對完畢後得到編號為 4、6 及 7 之資料，當筆數符合訂定的最小支持個數 3 時，將視為有用資料並取出給予推薦。此三筆資料之串列內容皆為{A,B,C}，表示曾經點閱教材 A、教材 B 及教材 C 順序的其他使用者共有三位，而此數量符合最小支持個數，因此將教材 C 取出做為已點閱過教材 A 及教材 B 的編號 1 學習者下一個推薦點閱。. 32.

(41) 編號. 編號. 學習路徑. 學習者編號. 1. {A, B}. 1. 2. {A, C}. 3. 3. {C, E}. 1. 4. {A, B, C}. 4. 5. {B, D, E}. 2. 6. {A, B, C}. 5. 7. {A, B, C}. 6. 8. {A, B, D}. 7. 學習路徑. 學習者編號. 2. {A, C}. 3. 4. {A, B, C}. 4. 5. {B, D, E}. 2. 6. {A, B, C}. 5. 7. {A, B, C}. 6. 8. {A, B, D}. 7. 其他學習者之學習路徑 2 編號. 學習路徑. 學習者編號. 1. {A, B}. 1. 3. {C, E}. 1. 編號 1 之學習者之學習路徑. 所有學習路徑. 3 1 編號. 資料庫. 學習路徑. 4. {A, B, C}. 4. 5. {B, D, E}. 2. 6. {A, B, C}. 5. 7. {A, B, C}. 6. 8. {A, B, D}. 7. 項目集<2 之其他學習者學習路徑. 登入系統編號 1 之學習者. 4. 編號. 給予推薦. 將編號為 C 之教材推薦給學習者. 學習者編號. 5. 學習路徑. 學習者編號. 4. {A, B, C}. 4. 6. {A, B, C}. 5. 7. {A, B, C}. 6. 符合{A, B}的其他學習者之學習路徑，且資料筆數>3. 圖 3-8 關聯推薦法則方法. 33.