建構以動態與任務導向式社會網絡為基礎的決策支援系統
之研究
研究成果報告(精簡版)
計 畫 類 別 ： 個別型 計 畫 編 號 ： NSC 97-2410-H-390-022- 執 行 期 間 ： 97 年 12 月 01 日至 98 年 10 月 31 日 執 行 單 位 ： 國立高雄大學資訊管理學系（所） 計 畫 主 持 人 ： 丁一賢 計畫參與人員： 學士級-專任助理人員：張珮珊 碩士班研究生-兼任助理人員：林裕晟 碩士班研究生-兼任助理人員：方永平 大專生-兼任助理人員：陳莞鈞 大專生-兼任助理人員：陳奕璋 報 告 附 件 ： 出席國際會議研究心得報告及發表論文 處 理 方 式 ： 本計畫涉及專利或其他智慧財產權，2 年後可公開查詢中 華 民 國 99 年 01 月 12 日
一、研究報告
1. 前言與研究目的
社會網絡(Social Network)是一個用來描述人與人之間連結關係的網絡結構， 而一般所認知的電腦網絡(Computer Network)則是用來描述電腦之間透過網路的 連結關係[Cross and Parker 2004]，兩者之間的差異就在於網絡中的節點以及節點 與結點之間的關係[Wellman et al., 1997]。社會網絡分析(Social Network Analysis; SNA)則是一個分析社會網絡中網絡結構以及關係的重要研究領域，透過社會網 絡分析可以了解一個社會網絡的特性[Scott, 2000]。 當資訊科技與網際網路成為大多數人生活中的一部分時，我們利用這些技術 與人互相溝通的時間也越久、次數也越頻繁，也因此個人利用網際網路進行人際 通訊的資料量也越來越多，常見的個人數位通訊資料包括：電子郵件、即時通訊 軟體(如：MSN、Skype、ICQ)、網路部落格與線上社群網站…等，這些我們日常 通訊的資料通常包含許多有用的資訊，更寶貴的是一些透過這些社會活動所發現 與創造的知識。然而，可惜的是這些資料通常都缺乏有效的儲存、整理、分析、 分析結果的呈現與應用[Mishne, 2007]，也造成這些數位通訊資料可能因為疏於 整理而無法有效的利用，或是隨著時間的流逝而逐漸消失。假使這些寶貴的資料 可以被妥善的整理與應用，相信可以發揮很大的功效，例如：應用於個人或特定 領域的決策支援。 個人在進行一個決策的時候，經常需要大量的個人通訊資料以及以往的經驗， 並且個人的決策過程通常是非線性的，也因此常常會需要許多動態性的、不同性 質的資料來做為決策的參考與輔助[Kim et al., 2008]。之前所提及的個人數位通 訊資料，就是個人進行決策時很好的參考資料來源，但是這些資料通常是未經整 理與雜亂無章，往往會造成使用者過重的資訊負擔，如何好好的整理與分析這些 資料，將是思索如何應用這些資料於個人決策支援的一個重要課題 [Schuff et al., 2006]。 由於社會網絡研究主要針對的資料來源就是與人際關係相關的資料，也因此 是一個用來整理、分析與呈現個人數位通訊資料的理想工具，包括之前所提及的 三個資訊技術在社會網絡研究領域的方向，社會網絡分析、社會網絡建構以及社 會網絡視覺化技術。社會網絡分析可以協助分析設定的來源資料與參數、社會網 絡建構技術可以協助建構出以此任務為中心的社會網絡、而視覺化技術則是將這 些分析所得的資訊與建構出的社會網絡以視覺化的方式呈現，提供決策者進行決 策的參考。 目前社會網絡分析與建構有兩個目前較為常見的方法，包括以自我中心 (ego-centered)為基礎以及以整個網絡(whole network)為基礎的社會網絡分析 [Lauman et al., 1983][Wellman, 1982]。為了符合前述個人決策的特性，若能發展 出一套以任務導向，並能動態產生與任務相對應之社會網絡的社會網絡分析與建 構方法，想必可以建構出一理想的決策支援系統，對於個人的決策支援將有相當 大的助益。因此，本研究計畫的主題根據前述的研究背景與動機設定為：建構以 動態與任務導向式社會網絡為基礎的決策支援系統之研究。 2. 文獻探討 社會網絡分析此一領域的相關研究，已經有很悠久的歷史，因此許多社會網 絡分析的相關名詞與定義已經相當成熟與廣泛應用於各領域，包括：社會學領域、 管理學與商業領域、生物學領域以及資訊科學領域...等[Jun et al. 2006][Wilson,
1989]。在 Social Network Analysis: A Hand Book 以及 Social Network Analysis: Methods and Applications 兩本著名的專書中[Scott, 2000][Wasserman and Faust, 2003]，對於社會網絡以及社會網絡分析的基本觀念以及方法已經有非常詳盡與 完整的介紹，例如：社會網絡中各種角色的定義、各種社會網絡中關係的定義與 計算(包括：Centrality、Closeness、Network Cluster、Network Diameter…等。)、 社會網絡結構中結點的位置與結構洞…等[Burt, 1992] [Wellman and Berkowitz , 1988]。這些社會網絡方析中定義完整的名詞與方法，對於欲在此領域進行研究 的學者奠定了良好的基礎。 資訊科學在社會網絡分析的研究，則是在傳統社會學的社會網絡分析基礎上， 冀求能有效率、快速的處理大量資料，以求得社會網絡分析的結果，為常見的方 法有兩種，包括以自我中心為基礎以及整個網絡為基礎的社會網絡分析[Lauman et al., 1983][Wellman, 1982]。目前資訊科技在社會網絡分析的研究方向，除了著 重 於 如 何 有 效 與 完 整 的 進 行 具 有 大 量 資 料 的 社 會 網 絡 分 析 之 外 [Mika, 2005][ Goodreau, 2007][Godbole et al., 2007]，許多資訊科技領域學者也思索現存 的資訊科技與資料分析技術，如何應用於社會網絡分析，例如：HITS(Hypertext Induced Topics Selection)、Semantic Web、PageRank…等[Dingt et al., 2004][Vise and Malseed, 2005][李政德等，2008]。 在本計畫的背景與動機中，提到了四個目前資訊科技在社會網絡的主要研究 方向，包括：社會網絡分析、社會網絡建構與萃取、社會網絡視覺化、以及社會 網絡在資訊科技領域的相關應用。而目前資訊科技在社會網路的研究則以社會網 絡建構與萃取以及視覺化最為活躍。資訊科技在社會網絡建構與萃取的研究主要 針對如何有效率的在大量且不同來源的人際關係資料中萃取出社會網絡[Jin, 2007][Matsuo, 2007]，例如：網頁、電子郵件、線上聊天室、電話通訊以及組織 內與商業相關的事件…等[Chin and Chignell, 2006]。例如：Mutton 提出了一個利 用推論(inferring)的方式，根據線上聊天室的聊天行為來建立使用者的社會網絡 [Mutton, 2004]。Bird et al. 則提出了利用文字探勘的方式來分析電子郵件內容， 並建構以電子郵件通訊為基礎的社會網絡，並進行相關的社會網絡分析[Bird et al., 2006]。更有大量的研究針對如何由非結構化的往頁資料中，進行社會網絡的 萃取，例如：Matsuo et al. 提出了一個 POLYPHONET 系統，利用搜尋引擎的技術 來進行網頁上資料相似度以及 Co‐occurrence 分析來建構社會網絡[Matsuo et al., 2006]，而 Hamasaki et al. 則是利用整合的技術來進行網頁資料與聯結的分析， 包括網頁探勘、使用者互動分析、使用者描述分析，並藉此建構社會網絡 [Hamasaki et al., 2006]。 另外也有許多學者針對分析如何建構出學術界的社會網絡進行研究，包括： Matsuo et al. 針對參與研討會的參與者的資料來建構學術界的網絡[Matsuo et al. 2003]，也有些學者則是針對論文發表的資料來建構學術界的社會網絡 [Tang, et al., 2007]。以上所探討的社會網絡建構的文獻，通常都是針對大量或非結構化(半 結構化)的資料，期望能夠透過資訊技術的大量資料處理能力，建構出一般以人 工無法建構成功的社會網絡。以上所提及各種不同的社會網絡建構技術，將可以 做為本研究計畫應用與發展相關技術發展的參考。 在目前可見的社會網絡分析與建構技術中，常常可見利用資料探勘(Data Mining)或是網頁探勘(Web Mining)的技術，來進行資料的分析與處理，也因此資 料探勘與社會網絡分析可以說有著密不可分的關係[Agrawal et al., 2003]。以線上 社會網絡為例，網頁探勘的技術就經常扮演著重要的角色[Garton et al., 1997]。
所謂網頁探勘則是利用資料探勘的技術，分析在網頁上的資料並萃取出有用的資 訊 [Hand et al., 2001]。 目前網頁探勘依據處理資料內容的不同，分為三種類別，包括：網頁內容探 勘 (Web Content Mining)、網頁使用探勘 (Web Usage Mining) 以及網頁結構探勘 (Web Structure Mining)。網頁內容探勘主要分析的資料為網頁的內容，例如文字、 圖 形 、 視 訊 … 等 ， 使 用 的 技 術 則 包 括 自 然 語 言 處 理 (NLP; Natural Language Processing)、語意網路 (Semantic Web) 以及本體論(Ontology) [Cooley et al. 1997] [Godbole et al., 2007]。而網頁結構探勘的相關研究則是利用圖形理論來分析網頁 間的連結架構[Fu et al., 2007]，網頁使用探勘則是透過分析伺服器日誌檔 (Logs file)，來了解使用者在網站中瀏覽的情形以及使用者的興趣[Pierrakos et al., 2003]。 以上這些網頁探勘的技術，對於應用於線上的社會網絡分析與建構有相當大 的幫助，例如：網頁內容探勘可以幫助進行網頁內容或文章的分類與分群，而文 章的分類或分群通常是線上社會網絡分析的首要工作，可以協助判斷使用者對於 文章的喜好程度。網頁使用探勘更是在線上社會網絡分析扮演非常重要的角色， 使用者在網路上的使用情形可以轉換為可以建構社會網絡的關係資料[Lento et al., 2006]。除此之外，網頁探勘也可以當作衡量網絡的集中程度，例如：部落格 使用者的親近程度可以利用以下的公式計算： )) ( ( )) ( ( )) ( (f w b f w r f w i Closeness= ∗ ∗ + ∗ ∗ + ∗ ∗ 在以上的方程式中， f 代表瀏覽部落格的頻率，w是給予各種部落格行為所 代表親近程度的權重， b 代表瀏覽行為、 r 代表閱讀文章行為、i則代表有互動 的行為[Furukawa et al., 2007]。透過網頁使用探勘的技術，將可以有效的協助社 會網絡的建構[Ting, 2008]。而網路結構探勘對於線上社會網絡分析更是有幫助， 網路結構探勘可以用來分析網絡中路徑的長度(Path length)、可到達度(Reach ability)或是可以用來發掘結構洞(Structure Hole)，而網路結構探勘也經常與視覺 化技術搭配，用以呈現整個網路的資訊[Goodreau, 2007]。 視覺化技術與社會網絡的視覺化，一直是社會網絡相關研究中非常重要的一個議 題，視覺化技術可以將社會網絡以圖形的方式，讓人類用眼睛就可以解讀並且了 解資訊的涵義以及分析的結果，目前已經有許多現成的套裝軟體可以協助進行社 會網絡的視覺化，例如：UCINET、NetMinerII、NetDraw、NetViz…等[Borgatti, et al., 2002]，然而除了這些常見的視覺化技術外，仍有許多研究思索如何針對不同社 會網絡分析的需求來量身打造適合的視覺化技術，以及如何用更好的方法在一個 視覺化圖形中更有效的顯示社會網絡資訊，例如：Heer and Boyd 提出了一個 Vizster 系統，可以利用視覺化的技術處理大量的線上社會網絡資料，並且可以同 時以各種不同角度來呈現網路的形態，包括 ego‐centred、community、x‐ray…等。 [Heer and Boyd, 2005]。這些視覺化技術可以讓分析或決策者能夠很快的了解整 個社會網絡的分佈與連結狀況，更能提供一個決策支援系統良好的分析結果呈現 介面。 之前提到傳統上許多社會網絡的分析或是建構的研究都是針對自我為中心， 或是全網絡的分析與建構為主，然而由於目前線上的社會網絡分析與建構已經逐 漸成為一個重要的議題，網際網路的特性之一就是資料的更新速度非常快，因此 有越來越多的研究開始注意到社會網絡的相關研究應該朝向動態式的社會網絡 分析與建構進行，也就是社會網絡應該是隨時根據不同的需求而能動態式的進行 分析或是建構出符合各種需求的社會網絡。Sarkar and Moore 提出了一個利用潛
在空間(Latent space)的模式來動態的進行社會網絡分析，可以用來分析一個社會 網絡中友誼隨著時間改變而產生變化的情形[Sakar and Moore 2005]。Skyrms and Pemantle 則提出了一個利用代理人(Agent)技術以及增強式學習(Reinforcement Learning)的方法來動態式的建構在電腦遊戲中社會網絡可能的演化[Skyrms and Pemantle 2008]。 目前利用社會網絡分析與建構來支援決策的研究，有部分的學者已經進行初 步的研究與討論，Turoff et al. 提出社會性的軟體可以具有提供決策支援的能力， 甚至是大型的團隊決策，同時在其研究中也提出了社會性決策支援軟體所必須具 備的架構、系統流程與系統的需求[Turoff et al. 2002]，Coussement 與 Van den Poel 則提出了一個基於自然語言處理與分類技術的自動化電子郵件分類的技術，來預 測顧客電子郵件的屬性，並做出相關的決策進行顧客抱怨的處理[Coussement and Van den Poel, 2008]。然而利用個人通訊資料透過社會網絡分析與建構來建構一個 完整的支援決策系統的議題，在現今可見的文獻中還鮮有學者發表相關的研究， 而這也是現今相關學者可以思索進行研究的一個議題。 3. 研究方法 為達成前述之研究目的，在此將敘述本研究計畫所提出之研究方法。本研究致力 於整合現有的技術並開發可達成本研究計畫目的的四個技術引擎，包括資料萃取 引擎(Data Extraction Engine)、社會網絡分析引擎(Social Network Analysis Engine)、 社 會 網 絡 建 構 引 擎 (Social Network Construction Engine) 以 及 視 覺 化 引 擎 (Visualization Engine)，此研究方法的系統架構以及流程如圖二所示： 圖一、本研究之研究方法與架構示意圖 (1) 資料來源：本研究規劃由三個常見的人際通訊來源取得可供建構社會網絡的 資料，包括即時通訊軟體(Instant Messenger)、電子郵件(E‐Mail)以及全球資訊 網路(WWW)。 (2) 資料萃取引擎 (Data Extraction Engine)：資訊萃取引擎主要的目的在將有用的 資料從上述所提及之三個資料來源中萃取出來，以提供建構社會網絡以及社 會網絡分析使用。 (3) 資料庫：透過資料萃取引擎所萃取出來的資料將會存在此資料庫之中，以供 後續研究處理之用。 (4) 知識本體庫 (Ontology Base)：所謂知識本體庫為一建構完整的知識本體資料 庫，可用來表達知識的架構以及建立知識的網絡。 (5) 使用者輸入之任務：研究之核心精神乃冀望能透過此輸入的任務，動態的產 生可以提供使用者所輸入之任務相關決策支援的社會網絡。
(6) 社會網絡分析引擎(SNA Engine)：分析的內容包括：節點間的關係、節點之間
的距離、社會網絡的密度以及集中程度(包括 betweenness centrality, clossness centrality 與 eigenvector centrality) 、 網 路 叢 聚 與 叢 聚 係 數 (clustering coefficient)。 (7) 社會網絡建構引擎(SN Construction Engine)：社會網絡建構引擎主要目的包括 在社會網絡中節點的建立、關鍵詞的選擇與知識網絡的建立。 (8) 視覺化引擎(Visualization Engine)：視覺化引擎的主要工作為根據社會網路分 析引擎以及社會網絡建構引擎所得的資料，以視覺化、圖形化的方法來呈現 社會網絡中的節點以及關係，可提供友善的介面以供決策支援之用。 (9) 動態與任務導向式社會網絡：透過上述社會網絡分析引擎、社會網絡建構引 擎以及視覺化引擎，當使用者輸入任務與相關的參數之後，將會動態的產生 以輸入之任務為基礎的社會網絡。 4. 結果與討論 經過本研究的設計與規劃，已達當的當初設定的研究目的，並且完成了整個 系統的設計，以下將展示系統的成果與介面。圖二所顯示的為本系統的信件 內容搜尋結果，此系統的背後包括資料萃取引擎、資料庫、知識本體庫以及 社會網絡分析引擎。使用者可以透過輸入關鍵字，系統則會進行自動的分析 處理，得到社會網絡分析的相關數據。 圖二、搜尋信件內容之結果圖 圖三則為經過視覺化引擎以及社會網絡建構引擎所建構出的社會網絡圖，可 以呈現以一個關鍵字為主的郵件寄送關係圖。圖四則為搜尋 MSN 暱稱的通訊次 數列表圖，系統的架構與技術與圖二相同，只是選擇不同的資料來源而已。
圖三、內 圖四 圖 內容關鍵字之 四、搜尋 MS 圖五、搜尋 之寄送關係 SN 暱稱之通 尋對話紀錄關 係圖(單向關係 通訊次數列 關鍵字之關 係) 列表圖 關聯圖
圖五則為經過視覺化引擎以及社會網絡建構引擎所建構出的社會網絡圖，可 以呈現以一個關鍵字為主的郵件寄送關係圖。
二、參考文獻
[1] Agrawal, R., Rajagopalan, S., Srikant, R., and Xu, Y. (2003) “Mining Newsgroup Using Networks Arising From Social Behavior” In Proceedings of World Wide Web 2003 Conference, Budapest, Hungary, pp. 529-535
[2] 李政德等著 (2008) ”社會網路之建置、分析與視覺化：以台灣學術社群網路為例”，網路 計量與探勘學術研討會論文集，頁123-138，國立政治大學，2008，台北，台灣。
[3] Bird, C., Gourley, A., Devanbu, P., Gertz, M. and Swaminathan, A. (2006) “Mining Email Social Networks” In Proceedings of MSR 2006, May 22-23, 2006, Shanghai, China.
[4] Borgatti, S. P., and Everett, M.G. (2002) “Ucinet for Windows: Software for Social Network Analysis”, Harvard: Analytic Technologies.
[5] Burt, R.S., (1992). “Structural Holes, ” Harvard University Press, Cambridge,MA.
[6] Chin, A. and Chignell, M. (2006) “Finding Evidence of Community from Blogging Co-Citations: A Social Network Analytic Approach” In Proceedings of the IADIS International Conference on Web Based Communities 2006, San Sebastian, Spain, February 26-28, 2006
[7] Cooley, R. Mobasher, B. and Srivastave, J. (1997) “Web Mining: Information and Pattern Discovery on the World Wide Web” In Proceedings of the 9th IEEE International Conference on Tool with Artificial Intelligence, 1997, pp. 558-567, Newport Beach, CA, USA
[8] Coussement, K., and Van den Poel, D. (2008) “Improving Customer Complain Management by Automatic Email Classification Using Linguistic Style Features as Predictors” Decision Support Systems, Vol. 44, pp. 870-882.
[9] Cross, R. and Parker, A (2004). “The Hidden Power of Social Networks, ” Harvard University Press
[10] Dingt C. H. Q., Zha, H., Husbands, P., and Simont, H. D. (2004) “Link Analysis: Hubs and Authorities on the World Wide Web ” SIAM Review, Vol. 46, No. 2, pp. 256-268.
[11] Fu, F., Chen, X., Liu, L., and Wang, L. (2007) “Social Dilemmas in An Online Social Network: The Structure and Evolution of Cooperation” Physics Letters A, Vol 371, 2007, pp. 58-64 [12] Furukawa, T., Matsuo, Y., Ohmukai, I., Uchiyama, K., Ishizuka, M. (2007) “Social Networks
and Reading Behavior in the Blogosphere” In Proceedings of ICWSM 2007, Boulder, Colorado, USA, pp. 51-58
[13] Garton, L., Haythornthwaite, C., and Wellman, B.( 1997) “Studying Online Social Networks,” Journal of Computer Mediated Communication (3:1).
[14] Godbole, N., Srinivasaiah, M., Skiena, S. (2007) “Large-Scale Sentiment Analysis for News and Blogs” In Proceedings of ICWSM 2007, Boulder, Colorado, USA
[15] Goodreau, S. M. (2007) “Advances in Exponential Random Graph (p*) Models Applied to A Large Social Network” Social Network, Vol. 29, 2007, pp.231-248
[16] Hamasaki, M., Matsuo, Y., Ishida, K., Hope, T., Nishimura, T. and Takeda, H. (2006) “An Integrated Method for Social Network Extraction” In Proceedings of 2006 Internet World Wide Web Conference, May 23-26, Edinburgh, Scotland.
[17] Heer, J., and Boyd, D. (2005) “Vizster: Visualizing Online Social Network” In Proceedings of 2005 IEEE Symposium, October 23-25, 2005, Minneapolis, MN USA, pp.32-39
[18] Jin, Y. Z., Matsuo, Y., and Ishizuka, M. (2007) “Extracting Social Networks among Various Entities on the Web” In Proceedings of the Fourth European Semantic Web Conference, 2007 [19] Jun, T., Kim, J. Y., Kim, B. J. and Choi, M. Y. (2006) “Consumer Referral in A Small World
Network” Social Network, Vol. 28, Issue 3, July 2006, pp. 232-246
[20] Kim, C. N., Yang K. H., and Kim, J. (2008) “Human Decision Making Behavior and Modelling Effects” Decision Support Systems, Vol. 45, Issue 43, pp. 517-527
[21] Laumann, E., Marsden, P., and Prensky, D. (1983). “The boundary specification problem in network analysis, ” In R. Burt and M. Minor (Eds.), Applied network analysis, Beverly Hills, CA: Sage, 18-34.
[22] Lento, T., Welser, H. T., Gu, L., and Smith M. (2006) “The Ties that Blog: Examining the Relationship Between Social Ties and Continued Participation in the Wallop Weblogging System” In Proceedings of the 15th International World Wide Web Conference, May 23-26 2006, Edinburgh, Scotland
[23] Matsuo, Y., Tomobe, H., Hasida, K., and Ishizuka, M. (2003) “Mining Social Network of Conference Participants form the Web” In Proceedings of International Conference on Web Intelligence, 2003.
[24] Matsuo, Y., Mori, J., Hamasaki, M. (2006) “POLYPHONET: An Advanced Social Network Extraction System from the Web” In Proceedings of 2006 Internet World Wide Web Conference, May 23-26, Edinburgh, Scotland.
[25] Matsuo, Y., Tomobe, H., and Nishimura, T. (2007) “Robust Estimation of Google Counts for Social Network Extraction” In Proceedings of Twenty Second Conference on Artificial Intelligence (AAAI-07), July 22-26 2007, Vancouver BC Canada
[26] Mika, P. (2005) “Flink: Semantic Web Technology for the Extraction and Analysis of Social Networks” Web Semantics, Vol. 3, Issue 2-3, October 2005, pp. 211-223
[27] Mishne, G. (2007) “Using Blog Properties to Improve Retrieval” In Proceedings of ICWSM 2007, Boulder, Colorado, USA
[28] Mutton, P. (2004) “Inferring and Visualizing Social Netwokrs on Internet Relay Chat” In Proceedings of the Eighth International Conference on Information Visualization, pp. 25-43. [29] Pierrakos, D., Paliouras, G., Papatheodorou, C., Spyropoulos C. D. (2003) “Web Usage Mining
As A Tool for Personalization: A Survey”, User Modelling and User Adapted Interaction, Vol.13, Issue 4, pp. 311-372, 2003
[30] Sarkar, P., and Moore, A.W. “Dynamic Social Network Analysis Using Latent Space Models” SIGKDD Explorations, Vol. 7, Issue 2, pp. 31-40.
[31] Schuff, D., Turetken, O., and D’Arcy, J. (2006) “A Multi-attribute, Multi-weight Clustering Approach to Managing e-mail Overload” Decision Support Systems, Vol. 42, Issue 3, pp. 1350-1365
[32] Scott, J. (2000) “Social Network Analysis: A Hand Book (2nd ed.)”, SAGE publication, 2000 [33] Skyrms, B. and Pemantle, R. (2000) “A Dynamic Model of Social Network Formation” PNAS,
Vol. 97, No. 16, pp. 9340-9346.
[34] Tang, J., Zhang, D. and Yao, L. (2007) “Social Networking Extraction of Academic Researchers” In Proceedings of the Seventh IEEE International Conference on Data Mining, pp.292-301.
[35] Ting, I. H. (2008) “Web Mining Techniques for On-line Social Networks Analysis” In Proceedings of the 5th International Conference on Service Systems and Service Management, Melbourne, Australia, 30 June-2 July 2008, pp. 696-700
[36] Turoff, M., Hiltz. S. R., Cho, H. K., Li, Z., and Wang, Y. (2002) “Social Decision Support Systems (SDSS)” In Proceedings of the 35th Hawaii International Conference on System Sciences, pp. 1-10.
[37] Vise, D. and Malseed, M. (2005) “The Google Story” Delacorte Press, USA
[38] Wasserman, S., and Faust, K. (2003) “Social Network Analysis: Method and Applications” Cambridge University Press, Great Britain 2003
[39] Wellman, B. (1982) “Studying personal communities, In P. Marsden and N. Lin (Eds.), Social structure and network analysis, Beverly Hills, CA: Sage, 61-80.
[40] Wellman, B., Salaff, J., Dimitrova, D., Garton, L., Gulia, M., and Haythornthwaite, C. (1997) Computer networks as social networks: Virtual community, computer-supported cooperative work and telework,” Annual Review of Sociology (22),pp. 213-238.
[41] Wellman, B. and Berkowitz, S. D. (ed.), (1988) “Social structures: A network approach”, Cambridge University Press, pp. 19-61.
[42] Wilson, D. S. (1989) “Levels of Selection: An Alternative to Individualism in Biology and the Human Science” Social Networks, Vol.11, Issue3, pp. 257-272.
三、計畫成果自評 本計畫由於之前的研究設計妥當，因此在整體研究進行之後並未作太大的修 改，因此整體計畫的完成度很高，自評約有百分之九十以上的完成度。包括三個 資料來源的處理、資料的萃取、資料庫的建立、社會網絡分析引擎的設計、社會 網絡建構引擎的設計、視覺化引擎、以及整體系統的整合與介面皆已完成，唯一 需要繼續進行的部分為系統評估的部分，預計也可以在計畫結束之後約一至兩個 月之內完成。 整體計劃的進行方面由於國科會的補助充足因此有很大的挹注，我想這也是 國科會補助專題研究的用意，更希望往後可以繼續得到國科會的補助。另外由於 恰好國科會釋出短期就業方案的專任助理，本計畫有幸得到補助，聘請了張珮珊 助理協助資料的蒐集整理與程式撰寫系統開發…等與研究相關事務，因此在研究 的進行上更加順利，也才能達到如此高度的計畫完成度，冀望往後國科會也可以 繼續開放，更甚而是全面性的補助專任助理，因為就成本與獲得的比例來講，以 本計畫為例可說是非常值得。 在論文發表方面，截至目前為止共發表了與本計畫相關的論文有國內研討會 論文一篇與國際研討論論文一篇，更已經投搞了一篇論文於國際期刊以及在 2010 年即將舉辦的國際研討會，希望這些投稿都可以獲得接受，如此一來可以更豐富 本專題研究計劃的收穫。 在主持人方面，由於是第一次執行國科會的專題研究計畫，因此在這一年中 也學習到了如何主持一個計畫的進行，以及掌控整體的進度，對於研究計畫經費 與資源的使用也更有經驗，人力的配置與應用也學習到了很多，這對於一個年輕 學者來說，我想應該是很寶貴的，因此也感謝國科會給予新進人員的鼓勵與機會。 對於研究生而言，在開始研究的階段就能參與國科會計畫，我想對他們在蒐集資 料與程式撰寫都能夠學習到很多。 整體而言，我想這是一個成功的研究計畫案，也希望國科會可以繼續秉持制 度，補助學者進行研究，而且不只是濟強，在扶弱方面，我想國科會也需要更花 費精神，擴大專題計畫補助的範圍，才能使國家整體的研究能力往上提升。
2009 年 9 月 15 日 報告人姓名 丁一賢 服務機構 及職稱 國立高雄大學 資訊管理學系 助理教授 時間 會議 地點 2009 年 8 月 29-31 日 加拿大溫哥華 本會核定 補助文號 97-2410-H-390-022- 會議 名稱 (中文) 2009 IEEE 社會運算國際研討會
(英文) The 2009 IEEE International Conference on Social Computing 發表
論文 題目
(中文) 分析多來源資料以萃取與探勘社會網絡
(英文) Analyzing Multi-Source Social Data for Extracting and Mining Social Networks
報告內容應包括下列各項：
一、 參加會議經過
SocialCom (The 2009 IEEE International Conference on Social Computing; IEEE 社會運算 國際研討會)國際研討會，為第一次舉辦的研討會，本年度在加拿大溫哥華，舉辦地點為 溫哥華市中心的 Renaissance Vancouver Hotel Harbourside，並由 IEEE 組織主辦，並獲得 包括 ACM、IEEE Computer Society、TCSC IEEE、StFX University 的支持與認可，由此 可見此研討會在此研究領域的重要性。在此研討會舉辦的同時與同地點也有三個研討會 舉辦包括 CSE-09, EUC-09, PASSAT-09, 共吸引了約 400 多位國際學者一同參與。 由於近幾年來在社會網路領域的研究相當熱門，因此本研討會也接受了約 100 篇左右的 論文(包含主研討會、2 個 Sympothia、8 個 Workshop)，更吸引了約 100 名來至世界各國 的研究學者共聚一堂分享與討論此研究領域的最新技術與未來的發展。
本 人 此 次 參 加 此 研 討 會 共 有 兩 個 主 要 的 任 務 ， 包 括 發 表 一 篇 論 文 、 擔 任 Workshop(SNMABA09; Workshop on Social Networks Mining and Analysis for Business Applications ) 的主持人。
本人在研討會開始的前一天(28/08/2009)搭乘飛機前往加拿大溫哥華，抵達時為當地時間 的約晚上九點(28/08/2009)，隨即前往研討會會場，研討會的主辦場地位於在溫哥華市中 心的飯店，抵達研討會場之後隨即進行註冊與報到的相關事宜。
研討會進行的畫面
研討會第一天上午的場次就是我所主持的 workshop，此 workshop 共接受了十篇論文， 論文的作者包括來自美國、德國、愛爾蘭、巴西以及台灣的學者。Workshop 的主題主要 針對社會網路分析與探勘在商業上的應用。此場次共吸引了大約 15 名以上的參與者。 同時在當天也發表了一篇研究論文，題目為 Analyzing Multi-Source Social Data for Extracting and Mining Social Networks，會中與會後也得到一些研究學者的建議與互相的 討論機會。
研討會第二天主要的行程在參與研討會其它 session，參加研討會晚宴，早上的 keynote speaker 為 Prof. Ben Shneiderman 來自 University of Maryland, USA，主講的內容為如何 運用視覺化的技術來分析社會網絡，可說是一個深具意義與貢獻的研究主題。 二、 與會心得 參與此屆的 IEEE SocialCom 會議收穫非常豐富，也學習到了許多寶貴的經驗的一次，在 研討會的本身來說，由於此研討會針對的主題非常的明確，比起一般淪為大拜拜的研討 會，更能讓人聚焦於特定的研究領域。由於同時有另外三個重要研討會在同一個地點舉 辦，也因此除了此研討會的 Session 外，參與者也可以自由參加其他議題的 session， 更能看到各種不同領域的研究方法與許多有趣的研究議題。 參與相關的研討會，除了可以增廣自己研究的視野、思索研究的盲點之外，也可以有跟 國際與大師對話的機會，對於在學術界的研究者，可說是非常重要的一個學習與自我成 長的機會。 三、考察參觀活動(無是項活動者省略)
四、 建議 能夠參加國際研討會，除了對個人而言是在研究上的學習與成長，對於國家在國際上的 能見度以及整體研究水準的提升，都有一定的正面幫助。就如同之前出席國際會議報告 中的建議，建議國科會應該持續，更甚而擴大補助出席國際研討會，可以避免國內學者 有好的研究潛力，卻無法出國分享與交流的遺珠之憾。 而有幸的在這次的會議中也爭取到了 2011 年此研討會在國內舉辦的機會，同時也可能 會有許多國際學者來台參與，更期望國科會能夠大力的支持，提供經費或其他相關的贊 助來協助研討會的順利進行，這是本人的建議也是最深切的期盼。 五、 攜回資料名稱及內容 本次參與研討會所攜回之資料包括研討會議程以及論文集(光碟版)。 六、 其他 無
