適用於智慧型手機使用者之味覺資料庫建置與菜單推薦機制 - 政大學術集成

全文

(1)國立政治大學資訊科學系 Department of Computer Science National Chengchi University. 碩士論文. 立. 政治大 Master’s Thesis. ‧. ‧ 國. 學. 適用於智慧型手機使用者之味覺資料庫建置與菜單. y er. io. sit. Nat. 推薦機制. n. Menu Recommendation System and al v Taste Database i n Ch U Constructedefor Users n gSmartphone chi 研究生：林信廷指導教授：郭正佩. 中華民國一零三年一月 January 2014.

(2) 適用於智慧型手機使用者之味覺資料庫建置與菜單推薦機制 Menu Recommendation System and Taste Database Constructed for Smartphone Users. 研究生:林信廷 Student:Shin-Ting Lin 指導教授:郭正佩 Advisor: Pei-Jeng Kuo. 立. 治政國立政治大學大資訊科學系. sit. Nat. A Thesis. y. ‧. ‧ 國. 學. 碩士論文. er. io. submitted to Department of Computer Science. n. a lNational Chengchi University v i n Ch U e n g cofhthei Requirements in partial fulfillment for the degree of Master in Computer Science. 中華民國一百零三年一月.

(3) 誌謝. 在政治大學研究所的這些年，我學習到了很多知識，也認識了許多人。首先要感謝的是我的指導老師郭正佩教授，老師對我們實驗室的人都很好，也很鼓勵我們提出各種創新的靈感，並提出各方面的意見讓這些靈感更具有研究價值，以及培養我獨立研究的精神，. 政治大. 使我可以順利的完成這篇論文。再者我也要感謝口試委員周立德教授不辭辛勞的從中央. 立. 大學來到政治大學參加口試，並給予我許多論文的建議。也很感謝口試委員李蔡彥教授. ‧ 國. 學. 細心的問答，並且給予我許多的意見。很感謝每位教授對我的指導。感謝資訊科學系所有的老師，讓我在這幾年能充實我的學業，以及感謝系辦韓助教. ‧. 的幫忙，為我解答了不少疑惑。也要感謝實驗室的各位同學，姿旻學姐、小麥學姐、柏. Nat. sit. y. 諺、瑋誠、志明、俊輝、睦叡、梳雲、怡婷、浩瑋，在研究和學業上給了我許多的想法. n. al. er. io. 和意見，導正我研究的方向，並且讓我了解做研究的方式。也很感謝我參加社團認識的. i n U. v. 每個成員，政大橋藝社的韻安、芷瑄、泓彰、冠伯、昆佑、佐玄、宜家、揚煜、奕樹、. Ch. engchi. 純晏、冠宇、佩芸、政嘉、弘煒，政大桌遊社的佳頤、巧欣、煜翔、盈碧、佑之，以及大學同學致凱、宗澤的幫忙，才能順利的完成實驗以及獲得問卷資料，並且陪伴我渡過許多社團的歡樂時光，謝謝大家。最後要感謝我的家人，有你們的包容、督促、支持及陪伴，我才能順利的完成學業。謝謝你們，由衷感謝這個人生階段遇到的所有人。. 林信廷中華民國一百零三年一月. i.

(4) 適用於智慧型手機使用者之味覺資料庫建置與菜單推薦機制. 摘要. 立. 政治大. 中國有句諺語:「民以食為天」，食物乃人類生活所不可缺的要素之一，而人們對於食物. ‧ 國. 學. 則有各自的偏好，而要從琳瑯滿目的食物中依照個人喜好來推薦則成為一門重要的課題。. ‧. 隨著科技的進步，智慧型手機的出現為人類帶來了許多便利，也逐漸改變了人們的. Nat. sit. y. 生活方式，群眾可以透過智慧型手機來記錄生活的點滴，記錄的方式正走向數位化，而. n. al. er. io. 如何利用這些累積下來的數位資料來做分析與推薦也成為熱門的研究目標。. i n U. v. 本論文從味覺方面著手，將 LifeLog 的飲食記錄與味覺做結合，並透過大眾分類與. Ch. engchi. 群眾外包的方式，將味覺資料由智慧型手機使用者處獲得，並建構成包含餐廳、餐點名稱以及其對應味覺之資料庫。本論文實作了一個程式 Foodtaste，包含了記錄餐點味覺資料，查詢個人記錄，以及實作數種推薦的功能。本論文並提出了數個計算方法，透過 LifeLog 累積下來的味覺資料進行計算，來獲得每位使用者的個人口味偏好和味覺比例，並將這些資料與餐點的味覺比例計算來對餐廳進行個人化的餐點推薦。. 關鍵字:LifeLog、個人化推薦、味覺辨識、飲食記錄. ii.

(5) Menu Recommendation System and Taste Database Constructed for Smartphone Users. Abstract. 政治大. Foods and eating are the basic element of human's life, and people have their own favorite in choosing foods. Thus it is an important issue to make some recommendation for people in front of a dazzling array of foods.. 立. ‧ 國. 學 ‧. With the advances in technology, smartphones bring convenience to people and change their life style. One can use smartphones to record various things in his life. The ways of memories become digitalized, and how to use these digital data to analyze and give opinions becomes popular.. io. sit. y. Nat. n. al. er. Base on one’s taste, present study combined dietary records and food taste in Lifelog, using Folksonomy and Crowdsourcing to acquire data of specific food taste from smartphone users, and linked these data to restaurant’s name and the name of the meal in our database.. Ch. engchi. i n U. v. We designed a smartphone application which called "Foodtaste". It provided users to record what they ate and how did it taste, looking up personal records, and several recommending methods. Our study also provides several methods in calculating cumulative data in Lifelog and acquiring the preference of one’s taste and ratio in variable foods from every user. Then we calculated these data to carry out personalized food recommendation. Keyword: Lifelog, Personalized recommendation, Taste identification , Dietary records. iii.

(6) 目錄第一章緒論 ........................................................... 1 1.1 研究背景與動機 .................................................... 1 1.2 問題描述 .......................................................... 3 1.2.1 為什麼要做食物推薦 .......................................... 3 1.2.2 為什麼要從味覺辨識來推薦餐點 ................................ 4 1.2.3 為何使用辣味 ................................................ 4 1.2.4 為何沒有其他研究從味覺辨識來推薦食物 ........................ 4 1.3 研究目標 .......................................................... 5 1.4 論文架構 ......................................................... 5 第二章文獻探討 ....................................................... 6 2.1 味覺與味覺印象語 .................................................. 6 2.2 味覺感應器 ........................................................ 7 2.3 LifeLog 與飲食 .................................................... 8 2.4 行動載具與 LifeLog ................................................ 9 2.5 LifeLog 與網站 ................................................... 10 2.6 飲食分析與群眾外包 ............................................... 12 2.7 大眾分類 ......................................................... 15 第三章研究方法 ...................................................... 16 3.1 系統架構 ......................................................... 16 3.2 情境模擬 ......................................................... 17 3.3 推薦方法 ......................................................... 18 3.3.1 味覺標記 ................................................... 18 3.3.2 味覺標記權重 ............................................... 20 3.3.3 個人味覺比例 ............................................... 21 3.3.4 群眾味覺比例 ............................................... 22 3.3.5 個人味覺偏好 ............................................... 23 3.3.6 餐點味覺比例 ............................................... 24 3.3.7 個人味覺偏好推薦 ........................................... 25 3.3.8 個人味覺比例推薦 ........................................... 26 3.3.9 味覺分類推薦 ............................................... 29 3.4 程式資料庫架構 ................................................... 30 3.4.1 個人資料庫 ................................................. 31 3.4.2 群眾資料庫 ................................................. 32 3.4.3 推薦資料庫 ................................................. 33. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. iv. i n U. v.

(7) 第四章評估方法與結果 ................................................ 4.1 實驗限制 ......................................................... 4.2 第一階段實驗 ..................................................... 4.3 第二階段實驗 ..................................................... 4.4 實驗結果與分析 ................................................... 4.4.1 味覺偏好推薦分析 ........................................... 4.4.2 味覺比例推薦分析 ........................................... 4.4.3 群眾推薦分析 ............................................... 4.4.4 名次整體比較 ............................................... 4.4.5 整體命中數比較 ............................................. 4.4.6 味覺偏好推薦命中數分析 ..................................... 4.4.7 味覺比例推薦命中數分析 ..................................... 4.4.8 末 3 輪命中數比較 ........................................... 第五章結論 .......................................................... 第六章參考文獻 ....................................................... 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. v. i n U. v. 35 35 35 36 38 38 40 41 43 44 45 46 47 48 50.

(8) 圖目錄圖 1:個人化 Google 新聞介面 ...................................... 12 圖 2:The FLIRT elements and sub elements in the FLIRT framework ........ 14 圖 3:群眾外包的四種角色及角色間的互動 ........................... 15 圖 4:基本系統架構 ............................................... 16 圖 5:情境模擬架構 ............................................... 17 圖 6:個人味覺偏好推薦方法架構 ................................... 18. 治政圖 7:標記介面 ................................................... 19 大立圖 8:個人味覺比例推薦方法架構 ................................... 27 ‧ 國. 學. 圖 9:分類推薦介面 ............................................... 29. ‧. 圖 10:程式資料庫架構 ............................................ 31 圖 11:個人記錄介面與個人記錄清單介面 ............................ 32. y. Nat. io. sit. 圖 12:餐點味覺比例介面 .......................................... 33. n. al. er. 圖 13:推薦介面 .................................................. 34. Ch. i n U. v. 圖 14:味覺偏好推薦分析 .......................................... 38. engchi. 圖 15:味覺比例推薦分析 .......................................... 40 圖 16:群眾推薦分析 .............................................. 41 圖 17:群眾推薦名次範例 .......................................... 42 圖 18:名次整體比較 .............................................. 43 圖 19:整體命中數比較 ............................................ 44 圖 20:味覺偏好推薦命中數分析 .................................... 45 圖 21:味覺比例推薦命中數分析 .................................... 46 圖 22:末三輪命中數比較 .......................................... 47. vi.

(9) 表目錄. 表格 1:資料庫內容範例 ........................................... 20 表格 2:使用者資料庫內容範例 ..................................... 21 表格 3:群眾資料庫內容範例 ....................................... 22 表格 4:由群眾資料庫擷取南洋咖哩雞飯數據之範例 ................... 24. 政治大. 表格 5:餐點味覺之範例 ........................................... 27. 立. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. vii. i n U. v.

(10) 第一章緒論. 1.1 研究背景與動機民以食為天，這句話意指飲食在生活上是不可或缺的，而食物的種類繁多，如何推薦適當的食物則成為一門學問。. 政治大食物推薦系統[1]，透過名詞辨識來分析食記上的食物名詞，再用文章的情緒分析及社立. 目前在餐點的推薦方面也已經有許多研究，有以食物名詞辨識為基礎的菜單建立與. ‧ 國. 學. 群排序計算每道食物的排序分數來做推薦。. 基於語意感測網路之智慧型適性化健康飲食推薦系統[2]是以健康狀況等生理資訊. ‧. 來推薦飲食的系統，在取得使用者健康現況後，以貝氏分類方法進行分析與預測使用者. sit. y. Nat. 未來的潛在疾病，並依其未來可能之健康狀況進行健康飲食建議。. io. al. er. 以群眾外包來估計食物營養的系統 Platemate[3]，可以允許用戶把他們吃的食物拍. n. 照並上傳，並能獲得估計的營養訊息。這些訊息可以幫助人們監控他們的飲食狀況或是節食成效。. Ch. engchi. i n U. v. 而個人化推薦也是熱門的研究目標，例如”以口碑為基礎之個人化餐廳推薦機制”[4]以及”個人化美食口碑推薦機制”[5]提到，消費者在購買商品前，往往會透過網際網路找尋他人的經驗與建議。此研究提出了一個餐廳口碑搜尋機制，透過分析網路食記等文章，利用文字探勘來分析與萃取文章以分析口碑資料，並能根據消費者偏好適應並學習，分析消費者偏好後產生個人化餐廳推薦。 “食我網: 美食推薦系統”[6] 設計了「食我拉霸」功能，幫助使用者把特定範圍內的美食找出來，再利用內容式過濾 (content-based filtering) 技術，將使用者對餐廳的評分行為，記錄為使用者對某些類別餐廳的喜好程度，並與餐廳屬性互相結合，再推薦. 1.

(11) 出使用者可能喜好的餐廳。目前也有許多適用於智慧型手機的推薦方法。“線上相似商品搜尋系統在智慧型手機上之實作”[7]提出了一個名為 UbiShop 的線上購物系統，使用者只要拿出手機鏡頭捕捉目標商品，系統便能及時提供有關該商品的品牌、價錢等基本資訊及與其外型相似的推薦商品以供使用者參考和購買。 Foodspotting 為智慧型手機程式，可以根據自己的位置來搜尋附近的美食推薦，也可以把拍好的照片上傳並推薦分享給其他人。. 政治大. 愛評網也推出了智慧型手機程式愛評生活通，提供搜尋附近美食、即時評論、查詢. 立. 餐廳以及優惠等資訊。由於愛評網已經累積了超過十萬筆的美食資料，所以可以提供消. ‧ 國. 學. 費者許多有用的資訊。. 在味覺辨識這方面也已經有許多研究。根據美國電腦公司 IBM 的預測[8]，2018 年. ‧. 的電腦將擁有視覺、聽覺、嗅覺、味覺和觸覺所有 5 種感覺，讓電腦的交流方式發生革. Nat. sit. y. 命性變化。但是時至今日，由於味覺受體與神經傳遞的複雜性，目前只能透過精密儀器. n. al. er. io. 來對液體進行味覺分析，受限於技術尚未成熟及普及，電腦對於味覺的辨識仍有困難。. i n U. v. 目前各產業界對產品味道的評估仍以人工方式為主[9]，但是有些產業，特別是製. Ch. engchi. 藥業在開發新配方後的苦味遮蔽研發上，以人體嚐試藥物的方式將會帶來藥物副作用的風險。電子舌頭(e-tongue)或稱味覺感應器(taste sensor)將有望改善這個情況。電子舌頭在食品行業是非常有前途的技術[10]，不但可以改進生產素質，也可以用於評估產品。Intelligent Sensor Technology 公司所開發生產的味覺感測系統目前可以辨識 5 種基本味覺，然而該儀器是非常重及昂貴的，如果味覺感測系統可以減少尺寸，重量以及成本，將能對食品以及製藥的研究有顯著貢獻。 Information retrieval by taste impression [11]提出了以”味覺印象語”來做為食物的 Metadata，可以用於檢索食物。味覺印象語指的是我們用來描述食物各種抽象的感受所使用的形容詞，例如酸、甜、苦、辣、鹹、鮮味等等。. 2.

(12) Bell Gates 在擁抱未來(The Road Ahead)書中曾提到：「有一天，我們將能夠把我們看到和聽到的每件事情都記錄下來」。Gordon Bell 更提出了「完全記憶」的概念，將自己一切所見、所聽、所說和行為自動的記錄下來。完全記憶的概念並非要讓使用者完整的回顧一生，而是當未來使用者有需要用到這些資料時，可以完整保存這些資料而不會被遺忘。LifeLog 指的就是將生活的一切記錄成資料的各種方法與技術，隨著行動載具的普及以及資料儲存空間的提升，LifeLog 也變得更加容易實現。Facebook 和 Amazon 公司便是透過 LifeLog 記錄使用者的各種行為，以及協同過濾的機制來達成推薦廣告或是商品。. 立. 政治大. 由以上研究可以得知，LifeLog、味覺辨識、飲食、智慧型手機以及個人化推薦這些. ‧ 國. 學. 主題很具有發展性，彼此也可以有很好的結合，也許現在的行動載具仍無法自動記錄味覺相關資訊，但是這可以透過使用者親自品嘗和簡單的標記介面來達成。本論文嘗試將. ‧. 飲食記錄與味覺辨識和智慧型手機做結合，透過大眾分類與群眾外包的方式，由智慧型. Nat. sit. y. 手機使用者來記錄飲食並獲得味覺資料，並將這些資料建構成餐點味覺資料庫。由於每. n. al. er. io. 位使用者的飲食喜好不同，去餐廳所點的餐點也不同，所輸入的資料具有差異性，本研. i n U. v. 究將從這些味覺差異性著手，計算出每位使用者的味覺比例和偏好味覺，並且與資料庫. Ch. engchi. 的餐點味覺內容進行計算，以達成個人化的餐點推薦。最後將以程式與問卷調查的方式，透過數種推薦方法來實作總排名比較，以評估推薦方法是否有成效。. 1.2 問題描述 1.2.1 為什麼要做食物推薦食物的種類繁多，對於沒有品嘗過的餐點，常常讓人們不知如何去選擇，有些人喜歡吃甜的，有些人喜歡吃鹹的，每個人的喜好不同，所以食物推薦為一個重要的課題。. 3.

(13) 1.2.2 為什麼要從味覺辨識來推薦餐點味道是評斷食物好不好吃的基準，並且就算是同一道餐點，每個人品嘗出來的味道感受也不見得相同。我們能嚐到味道，大部份的滋味是由嗅覺提供，剩下的部分是味覺[12]。但是由於人類可辨識的嗅覺高達數萬種甚至數十萬種，所以味道與嗅覺是非常複雜難以記錄的。學界普遍認為人類可辨識的味覺為酸、甜、苦、鹹和鮮味 5 種[13]，分別由不同的味覺受體來呈現。由於味覺種類較少比較容易標記與分析，所以本論文以 5 種味覺為根本，再加上辣味這個群眾普遍接受類似味覺的感覺，總共 6 種味覺來進行標記和實. 政治大. 驗，並期望未來可以拓展成完整的味道分析。. 立. ‧ 國. 學. 1.2.3 為何使用辣味. 辣味並不屬於味覺，而是辣椒素（capsaicin，辣椒的含油樹脂）刺激痛覺與熱覺受器，. ‧. 讓我們的口腔感受到灼燒感[12]。但辣味也是飲食中很重要的一種味道，是中國傳統的. Nat. sit. y. 五味之一[13]，群眾可以很輕易的感受到辣味，並且每個人對於辣味的接受度與喜好也. n. al. er. io. 不同，所以加入辣味比例並不會影響其他味覺感受，反而更能表達餐點的整體味覺。若. i n U. v. 缺乏了辣味，則會有群眾感受到辣味卻無法標記的問題，所以本論文選擇使用 6 種味覺來進行標記和實驗。. Ch. engchi. 1.2.4 為何沒有其他研究從味覺辨識來推薦食物目前因為味覺辨識技術尚未成熟，缺乏客觀性的味覺資料，以致於味覺資料蒐集困難，目前有查詢到各種味覺辨識技術的相關研究，例如將味覺感應器應用在綠茶、牛奶、水稻、醬油、豬肉、啤酒以及其他酒類[14-21]上進行分析實驗，以及味覺印象語等研究，也有各種食物或餐廳推薦的方法，但是卻無一從味覺來著手進行食物推薦。本論文嘗試由群眾標記味覺的方法來解決問題，並由這些味覺資料來計算個人喜好度並推薦味覺較符合的餐點，雖然集群眾力量來試著解決這個問題並不能達到完全準確，. 4.

(14) 並且手動累積資料比較不方便，但是仍可用來嘗試解決味覺與餐點推薦方面的問題，並且未來可以搭配味覺感應器來提升辨識度、方便性和準確度。. 1.3 研究目標本論文的研究目標為: (1)標記味覺:提出可以讓使用者標記餐點味覺的程式，讓味覺感受可以資料化，並建構成餐點味覺資料庫。. 治政 (2)飲食記錄:將 LifeLog 的概念應用於飲食和味覺上，讓使用者透過程式不斷記錄吃過大立的餐點和味覺，期望能夠建構出一生的飲食記錄，並可用於推薦或是其他相關研究 ‧ 國. 學. 上。. ‧. (3)推薦方法:藉由使用者累積標記餐點的味覺資料，計算出每個使用者的差異性，推測使用者喜好的味覺並推薦餐廳的餐點給使用者。. y. Nat. n. al. er. io. 餐點並呈現給使用者。. sit. (4)味覺分類:將餐點味覺資料庫內的資料透過味覺進行分類，可藉由味覺來分類並排序. 1.4 論文架構. Ch. engchi. i n U. v. 本研究之架構可分為五大章節。首先第一章為緒論，描述本研究之動機及背景、並描述問題及說明研究目的。第二章為文獻探討，進行研究主題的相關文獻探討。第三章為研究方法系統設計，描述系統的設計以及推薦機制。第四章為評估方法與結果，說明如何透過實驗來評估本論文提出的系統以及分析實驗結果。第五章為結論，針對本研究內容做出總結。以及第六章的參考文獻列表。. 5.

(15) 第二章文獻探討. 2.1 味覺與味覺印象語在”味覺和味精”[13]中提到，味覺究竟有幾種類別，到目前為止還沒有普遍公認的定論。東方的中國自古即有五味的說法，指的就是辣、酸、鹹、苦、甜等五種味覺。六世. 政治大國自古即有的五味說法基本上就是以金、木、水、火、土的五行觀念來看待辣、酸、鹹、立紀的古籍玉篇就提到「五味，金辛木酸水鹹火苦土甘。」辛即為辣，甘就是甜。因此中. ‧ 國. 學. 苦、甜等五種味覺。西方則自前四世紀的古希臘亞里斯多德開始就有四味的說法，指的是酸、鹹、苦、甜等四種味覺。後來的西方學者也都是以亞里斯多德的四味說法作闡述。. ‧. 有趣的是，除了辣覺已被歸類於觸痛覺而不再屬於味覺的成份之外，遠在十五世紀大航. y. sit. io. er. 是如此相似。. Nat. 海時代之前，更在紀元前一世紀絲路交通之前，毫無來往的東西方對味覺元素的看法竟. al. 1908 年日本東京帝國大學教授池田菊苗發現酸、鹹、苦、甜四味之外還有一種味覺，. n. v i n Ch 但並非中國五味中的辣味。池田在吃日式湯豆腐時驚奇地發現簡單的高湯加上單純的豆 engchi U 腐竟是如此的美味。這種美味並不在豆腐本身，必然是在高湯裏。因而池田專注於研究昆布熬成的高湯成份而發現了麩氨酸(glutamic acid)。除了確認麩氨酸即是美味的成份之外，池田也認為這種美味是一種新味覺，因為找不到適當用語來形容這種新味覺，便直接稱其為美味。其實麩氨酸的味道可以用華語甘甜來形容，但甘和甜都已是甜味的專屬用詞，所以一般常用鮮味表示。英語中也沒有既成用語可以形容這種新味覺，因而直接將日語旨味音譯成 UMAMI 表示。雖然有些學者認為麩氨酸的作用只是讓其他味覺更可口、甜美，並非獨立的新味覺，也有學者主張有金屬味、鈣味、脂肪酸味、水味等其他味覺，但基本上大多數的人都已接受酸、鹹、苦、甜、鮮為現代五味的概念。. 6.

(16) 在池田菊苗從昆布高湯中發現麩氨酸之後，經過了 5 年池田的學生小玉新太郎從柴魚高湯中又發現肌苷酸(inosinic acid)，之後 1960 年國中明從香菇高湯中又發現鳥苷酸 (guanylic acid)。麩氨酸、肌苷酸、鳥苷酸並稱三大鮮味，而且三者混合可以產生加乘效果，因此現今的鮮味調味料大多是以此三者混合製成的。 Information retrieval by taste impression [11]提出了以”味覺印象語”來做為食物的 Metadata，可以用於檢索食物。味覺印象語指的是我們用來描述食物各種抽象的感受所使用的形容詞，以往人們常常使用食物名稱以及材料來檢索食物，但是對於未知名稱和. 政治大. 材料的食物檢索起來就有困難，現在可以透過味覺印象語來描述該食物的特徵，並且檢. 立. 索出符合這些特徵的食物以供參考。不同領域的食物有不同的味覺印象語，例如麵和啤. ‧ 國. 學. 酒就屬於不同的領域，所使用的味覺印象語也有所不同。作者也對味覺印象語的 Metadata 進行實驗驗證，驗證了味覺印象語在不同領域中的檢索是有效的，在同一領域. ‧. 中使用不同味覺印象語來檢索也是有效的，也驗證了味覺印象語作為 Metadata 的可行. sit. y. Nat. 性。. n. al. er. io. A Kansei Database by Multivariate Analysis [22]也將料理的印象語用作 Metadata 來. i n U. v. 檢索食物，它把利用使用者主觀印象來檢索的方法稱為”感性檢索”，並對 21 種料理. Ch. engchi. 和 21 種不同的印象語作問卷調查以建立感性資料庫。其後提出因子分析方法和 K-means 方法來分析這個感性資料庫，最後並比較兩個方法的正確性、檢索速度和擴張性。. 2.2 味覺感應器在 KOBAYASHI 於 2010 年所提出的論文中提到[9]，近年來全世界都關注於食物、飲料及藥品的安全和品質上，並且全球經濟衰退增加了價格競爭。為了克服挑戰，製造商必須縮短產品週期，同時以更低的成本提供更高質量的商品。因此，這些市場領域都需要客觀，快速，準確，簡單的味道評價方法。. 7.

(17) 在食品和製藥行業的味道評估方面，一般都是經由人類品嘗來評估，但是這種方法是有其問題存在。評估方法的低客觀性以及重複性，危險性，還有其他方面的因素等等。電子舌或是味覺感應器將有望改善這個情況。 Intelligent Sensor Technology 公司所開發生產的味覺感測系統由味覺感應晶片，參比電極(測量電極電勢時作參照比較的電極)，控制器和資料處理終端所組成，目前具有高度選擇性的辨識五種基本味覺。然而該儀器是非常重及昂貴的，如果味覺感測系統可以減少尺寸，重量以及成本，將能對食品以及製藥的研究有顯著貢獻。. 政治大. 在 2013 年 Toko 等人成功開發出新型便攜式的味覺感應器[23]，包含一個小型化的. 立. 的味覺傳感器芯片[24]與工作電極和參比電極和便攜式感應器裝置。整個裝置大小僅有. ‧ 國. 學. 一個 USB 隨身碟，使其適合便攜使用。該傳感器的響應於單寧酸作為標準的澀味物質表現出良好的準確性和重複性，與市售的味道傳感系統的性能相媲美。研究的下一步是. ‧. 開發其他味覺的傳感器芯片，例如:鹹味，酸味，鮮味，苦味和甜味，並能將評價從液. Nat. sit. y. 體延伸到實際的食品上。. n. al. er. io. “Taste sensor”[25]中提到，即使味覺感應器可以測量並量化產生味覺的物質，目. i n U. v. 前仍沒有辦法完全模擬出人類舌頭的味覺交互作用，例如:甜味掩蓋過苦味、些許鹹味使得甜味更突出等等。. Ch. engchi. 2.3 LifeLog 與飲食在”Think before you eat” [7]中提到，可以利用攝影和寫食記來干預並改變飲食習慣。大多數人都知道，要減肥，要飲食均衡，要攝取更少卡路里和多運動，但是知道卻做不到，這是有原因的。作者引述了 ABC 理論: attitudes (A) only influence behaviour (B) if context (C) is neutral，意思是 contextual factors，像是食物價格，飢餓度，習慣或是時間約束等可以蓋. 8.

(18) 過 attitudes，在飲食上占據主導地位。因為這些 contextual factors 的影響，所以我們即使知道吃哪些食物健康，我們仍然會去選擇其他物美價廉的不健康的食物。而這篇論文則是探討拍照和寫食記是否對飲食習慣有所影響，為了評估攝影和食記對飲食態度的改變，參加者必須使用提供的攝影機和食記來記錄一星期所吃的所有餐點。在實驗前會先訪談參加者一組問題來自我評價和飲食健康相關的方面。實驗之後也訪談參加者另一組的問題來自我評價和飲食健康相關的方面，來比較出實驗前後的差異性。雖然許多使用者覺得拍攝食物很麻煩，但他們也認為這能讓他們意識到他們的飲食. 政治大. 習慣。對於許多人來說，這種視覺形式的自我監測讓他們認識到和改變他們不健康的飲. 立. 食習慣。拍攝的行為讓他們去思考他們的食物選擇，像是吃點心之前要記錄，會使他們. ‧ 國. 學. 思考是否真的應該吃它。如果是一天結束之後才記錄的話，使用者就不一定會評價他們所吃的食物，但是如果被迫拍照後才能吃的話，他們就必須思考決定這個食物是否適合. ‧. 拍照。. Nat. sit. y. “FoodLog”[27]中提到，現在有許多人會對食物進行拍照，但是人們僅僅是將食. n. al. er. io. 物的照片拍攝和上傳，卻通常沒有加以分類，以致於很難從這些相片中獲得有用的資訊。. i n U. v. 該論文提供了一個系統，可以分類食物或是非食物的相片，並且辨識食物相片的種類，. Ch. engchi. 最後將有用的資訊(像是營養成分等等)記錄到圖片中。這種有額外資訊的圖片和原本的圖片比起來，將可以幫助人們控制飲食和減肥。. 2.4 行動載具與 LifeLog “線上相似商品搜尋系統在智慧型手機上之實作” [7]基於智慧型手機，提出了一個名為 UbiShop 的線上購物系統。當使用者在熱鬧的街上看見一件喜歡的商品時，使用者只要拿出手機鏡頭捕捉目標商品，系統便能及時提供有關該商品的品牌、價錢等基本資訊及與其外型相似的推薦商品以供使用者參考和購買。伺服器端設計了兩套演算法，分別. 9.

(19) 用來滿足及時的圖片資訊檢索及相似商品推薦兩個主要功能。 “智慧型行動旅遊推薦系統之研究” [28]運用 Android 手機作為開發平台，結合 Google Map 及 GPS 行動定位技術，推薦旅遊景點，設計一個完整的智慧型行動旅遊推薦系統，讓使用者外出旅遊時，可利用本系統自行規劃各式主題或地域性的自助旅遊行程。 “熱量控制之健康飲食於 Android 智慧型手機之設計”[29]藉由智慧型手機開發一套能由飲食管控針對其疾病之預防的應用程式。系統實作在智慧型手機程式上，並針. 政治大. 對體重管控來達到預防疾病的目的。此研究以一般大眾族群做為疾病預防的對象，因大. 立. 部分人對於食物營養及健康飲食的概念不足，常常為了追求健康飲食而誤食非健康之食. ‧ 國. 學. 品，故藉由此研究來達到提供健康資訊給疾病預防者使用的一套智慧型健康飲食系統。此套系統將以使用者為導向來設計，可以藉由觸控螢幕方式讓使用者可直接在智慧型手. ‧. 機上選點，並利用紅、黃、綠燈顏色的概念來讓使用者了解食物成分是否攝取過量，以. Nat. sit. y. 此來訓練使用者選擇較健康的食物來食用，再經由使用者輸入的個人健康資料並整合長. n. al. er. io. 期的飲食記錄，協助使用者完成個人營養評估與健康管理。. 2.5 LifeLog 與網站. Ch. engchi. i n U. v. Facebook 為全球知名的社群網站，主要功能有: 1.The Wall 塗鴉牆：塗鴉牆就是用戶檔案頁上的留言板，與留言板不同的是，塗鴉牆的內容會被同步到各個朋友的首頁，因此可以在自己的塗鴉牆上發表一些最新狀態。 2.Messages 訊息：可以透過私密訊息發送給目標用戶的訊息匣，只有收信人和發信人可以看到。 3.Like 按讚：用 Like 按鈕網友們對別人的讚賞表態。 4.Shared Photo Albums 共享相簿：新增共享相簿功能，方便用戶收集單一活動的照片，. 10.

(20) 用戶建立相簿後，可上載無限張相片至同一相簿內，一起編輯及「tag」相某人到相片當中。 5.Status 狀態：讓用戶向他們的朋友和 Facebook 社群顯示他們現在在哪裡、做甚麼、甚至是心情與表情符號。然後讓好友看到這些狀態，並了解你的狀態，接著回應你的狀態。 Amazon 公司是一家總部位於美國西雅圖的跨國電子商務企業。公司業務起始於線上書店，不久之後商品走向多元化。目前，Amazon 是全球最大的網際網路線上零售商之一。. 政治大. Amazon 和 Facebook 在推薦上皆有使用到協同過濾(Collaborative Filtering)，簡單來. 立. 說協同過濾是利用某興趣相投、擁有共同經驗之群體的喜好來推薦使用者感興趣的資訊，. ‧ 國. 學. 個人透過合作的機制給予資訊相當程度的回應並記錄下來以達到過濾的目的進而幫助別人篩選資訊。即根據某顧客以往的購買行為以及從具有相似購買行為的顧客群的購買. ‧. 行為去推薦這個顧客其「可能喜歡的品項」，也就是藉由社群的喜好提供個人化的資訊、. Nat. sit. y. 商品等的推薦服務。. n. al. er. io. 在 Amazon，顧客選擇一本自己感興趣的書籍，馬上會在底下看到一行「Customer. i n U. v. Who Bought This Item Also Bought」，Amazon 是在「對同樣一本書有興趣的讀者們興趣. Ch. engchi. 在某種程度上相近」的假設前提下提供這樣的推薦，此舉也成為 Amazon 網路書店為人所津津樂道的一項服務，各網路書店也跟進做這樣的推薦服務如台灣的博客來網路書店。而 Facebook 的廣告，則是系統根據個人資料、週遭朋友感興趣的廣告等等對個人提供廣告推銷，也是協同過濾的功勞。 Google 新聞也透過 LifeLog 的方式來推薦新聞。使用者登入帳號後，可以藉由個人化新聞界面來過濾喜歡與不喜歡的新聞，以達到新聞推薦，並且 Google 新聞會記錄使用者看過的新聞，來推測使用者可能感興趣的新聞給使用者。. 11.

(21) 立. 政治大. ‧. ‧ 國. 學. n. al. er. io. sit. y. Nat. 圖 1:個人化 Google 新聞介面. 2.6 飲食分析與群眾外包. Ch. engchi. i n U. v. 在PlateMate [3]這篇論文中，他們提出了一個PlateMate系統，可以允許用戶把他們吃的食物拍照並上傳，並能獲得估計的營養訊息。這些訊息可以幫助人們監控他們的飲食狀況或是節食成效，但是經由用戶自我回報，或是請專家分析，或是使用演算法來分析營養成分的成本都較為昂貴。PlateMate使用Amazon的Mechanical Turk來從照片分析營養，並提出了複雜的管理框架來達成群眾外包的工作以分析營養(包含卡路里、脂肪、碳水化合物、蛋白質)。評估顯示，PlateMate的分析效果和營養師比起來幾乎一樣準確，而且較容易使用。. 12.

(22) 淺談群眾外包—以 Amazon Mechanical Turk 為例[30]中提到，群眾外包 (Crowdsourcing) 一詞是由 Jeff Howe 於 2006 年提出，它的概念是將一些需要仰賴人力完成的工作透過特定的平台，外包給網路上不特定的一群自願者，處理的內容通常是較瑣碎、需要大量人力且電腦程式難以取代的工作。而大致上的作法，是由委託工作者將原本性質單純、工作量龐大並且耗時的任務，切割成相對細小瑣碎的工作，並且按件付出少量的酬勞，直接在網路上號召大量有意願的群眾參與。由於外包平台上的參與群眾多半不具特定專業背景，且多半是利用平時閒暇之餘參與外包工作以索取低廉的酬勞。. 政治大. 對於雇主而言，相較於僱請專人處理的傳統做法，利用群眾外包的多工方式不僅成本低. 立. 廉，更提升了處理速度，同時仍可得到與傳統作法相當的工作品質。. ‧ 國. 學. “The FLIRT model of crowdsourcing”[31]中提出了群眾外包的模型，其中包含了5 種元素，FLIRT正是5種元素開頭的縮寫:Focus、Language、Incentives、Rules、Tools。. ‧. Focus為群眾外包的策略層面，從了解目標與需求，組織與資源和能力限制，以及. Nat. sit. y. 顧客等等因素，來判斷方案是否可行。Language指的是溝通，必須了解顧客的喜好、使. n. al. er. io. 用情境以及他們所在乎的事情，才能使顧客更積極參與。Incentives則是誘因，誘因可以. i n U. v. 分為內在外在客觀主觀等，適當的提供誘因可以吸引顧客，以提升群眾外包的效力。Rules. Ch. engchi. 則為規範，分為加入、創作、交易與互動三類。加入的規範與註冊相關，表明哪些服務需要透過註冊、註冊所需的資料以及資料是否會公開。創作的規範為格式、尺寸等限制，並詳細說明準則。交易與互動的規範則是為了防範惡意會員，標明禁止的行為，避免管理上的不便與糾紛。Tools包含了平台，通訊以及創作工具，平台使人們聚集在一處，通訊使人們可以對話交談，創作工具使人們可以更方便的進行創作。. 13.

(23) 立. 政治大. ‧ 國. 學 ‧. 圖 2:The FLIRT elements and sub elements in the FLIRT framework[31]. y. Nat. io. sit. 群眾外包的運作，則是由四種角色的貢獻與互動來進行[32]。四種角色分別為. n. al. er. Creators、Critics、Connectors、Crowds。Creators為貢獻內容、想法以及解決方案的人；. Ch. i n U. v. Critics對自己較感興趣的內容進行討論，給予創造者批評或是支持；Connectors將創作與. engchi. 其他人分享，他們不需為分享的創作加入自己的評論，而是透過論壇、討論區或是部落格，來發揮其影響力；Crowds為群眾，通常會幫內容加上標籤或者給予評分，可以決定一件創作是否會被一般大眾所接受。. 14.

(24) 立. 政治大. ‧ 國. 學 ‧. 圖 3:群眾外包的四種角色及角色間的互動[32]. er. io. sit. y. Nat 2.7 大眾分類. al. n. v i n Ch 在”The state of the art in tag ontologies”[33]文獻中提到，大眾分類法（Folksonomy） engchi U 是由「Folks」和「Taxonomy」組合而來，意指由群眾自發性的為某一樣事物進行標記分類。人們可以為事物標記任何他們想得到的詞彙，但是這樣獲取得的標記資料將雜亂無章難以分析。. 15.

(25) 第三章研究方法. 3.1 系統架構本論文的基本系統架構如圖 4，使用者先透過標記介面來標記餐點資料，而標記介面會將資料儲存於手機內資料庫以及伺服器資料庫。手機內的資料庫儲存的是個人的資料，. 政治大排序，並於顯示介面呈現給使用者，以達到推薦的目的。立. 伺服器資料庫儲存的是群眾的資料。手機程式可以透過兩個資料庫內的資料進行計算與. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. 圖 4:基本系統架構. 16. v.

(26) 3.2 情境模擬. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 5:情境模擬架構. 上圖用來說明使用者使用手機程式的情境。當使用者到了一間餐廳，若他不知道要吃什麼，便可以點選味覺推薦，程式會依照使用者累積的資料來計算和推薦食物給使用者; 或是使用者知道他想吃什麼樣口味的餐點例如辣味，但是因為沒吃過所以不知道菜單上餐點哪些符合辣味時，便可以點選味覺分類推薦來獲得依照辣味程度排序出來的菜單。而使用者用完餐後，也將他所吃的餐點記錄到程式中以供未來做味覺推薦。. 17.

(27) 3.3 推薦方法本論文提出的個人味覺偏好推薦方法基本架構如下圖，並且以下章節將詳細說明。. 立. 政治大. n. al. er. io. sit. y. ‧. ‧ 國. 學. Nat. 圖 6:個人味覺偏好推薦方法架構. 3.3.1 味覺標記. Ch. engchi. i n U. v. 本論文主要標記方法使用大眾分類的概念，由群眾來為餐點進行標記，我們再結合群眾外包的概念，指定群眾依照本論文所需要的格式進行標記，也就是僅標記餐廳名稱、餐點名稱以及 6 種味覺標記資料，以避免出現標記雜亂無章的情況。. 18.

(28) 立. 政治大. ‧ 國. 學 ‧. 圖 7:標記介面. y. Nat. io. sit. 味覺比例標記為使用者透過智慧型手機記錄生活飲食後所獲取的資料，當使用者品. n. al. er. 嘗過某間餐廳的餐點，便會有自己對該餐點的獨特味覺感受，此時便可以透過標記介面. Ch. i n U. v. 將這些餐點資訊和味覺資料記錄下來，記錄的資料將儲存於三個方面:個人、群眾以及餐點。. engchi. 個人方面為使用者個人專屬的記錄，儲存於使用者的手機資料庫內，不與其他使用者共用。個人資料庫內儲存了這位使用者所記錄過的所有餐點與味覺資料，並且透過這些資料可以計算出該使用者的平均味覺比例來代表個人味覺比例。群眾方面為所有使用者共用的資料庫，儲存於伺服器，這個資料庫內儲存了所有記錄過的餐點與味覺資料，並且透過這些資料可以計算出所有使用者的平均味覺比例，用來表示群眾味覺比例。餐點方面為對群眾所共用的資料庫進行特定餐廳和餐點名稱查詢而獲得的記錄，這. 19.

(29) 些記錄表示了所有使用者對於該特定餐點的味覺標記，並且透過這些資料可以計算出該特定餐點的平均味覺比例來代表餐點味覺比例。. 3.3.2 味覺標記權重每筆資料都有其權重，本論文將每筆資料的權重總和設為 100，以表示味覺在該餐點所佔的百分比例。設為 100 的原因是，本論文僅關注在 6 種味覺的比例關係，所以這 6 種味覺比例總和為 100%，而使用者或許會有 6 種味覺以外的感受，但是那並非本論文所要. 政治大. 關注的。使用者對某種味覺填了 0，僅代表該使用者感受不到該味覺，並非代表該餐點. 立. 不包含此味覺。但若有多位使用者對該味覺填 0，則該餐點就可能不包含此味覺。. ‧ 國. 學. 在標記時，我們僅要求使用者填入餐點 6 個味覺之間的比例，使用者可以依個人感受填寫比例或是百分比，例如:打拋肉飯，使用者填入甜:酸:苦:鮮:鹹:辣=0:0:0:1:2:3，. ‧. 並且由系統自動擴增為 100%，也就是正規化為甜:酸:苦:鮮:鹹:辣=0:0:0:16.66 :. Nat. n. al. er. io. 標記與儲存進資料庫的內容範例如下方表格 1:. sit. y. 33.33 : 50。小數點實際儲存於資料庫，不過在此為了方便說明表格皆以整數代替。. i n U. C表格 h e1:資料庫內容範例 ngchi. v. dataid restname foodname. sweet. sour. bitter umami. salty. Spicy. 20. 30. 0. 0. 23. 47. 0. 0. 0. 28. 14. 58. 0. 0. 0. 0. 17. 33. 50. 餐廳 A. 南洋咖哩雞飯. 25. 餐廳 B. 苦瓜肉燥飯. 29. 餐廳 C. 打拋肉飯. 餐廳名稱，餐點名稱以及味覺數據皆是由使用者於圖 7 的標記介面所填寫而得到，詳細的味覺比例計算方法將於後面幾個小節說明。. 20.

(30) 3.3.3 個人味覺比例個人味覺比例可用於表示單一使用者資料庫所建構出的味覺比例，以表示個人的味覺感受。個人味覺比例分別為酸甜苦鹹鮮辣這 6 種味覺在個人標記的所有味覺中佔有的比例，而這 6 種味覺比例加起來總和會是 100%。假設某位使用者於手機標記了 3 樣餐點的資料，由以下表格 2 作為使用者資料範例來進行計算:. 政治大立表格 2:使用者資料庫內容範例 foodname. sweet. sour. bitter. 20. 餐廳 A. 南洋咖哩. 30. 0. 0. 0. 0. 28. 0. 0. 0. umami. salty. Spicy. 23. 47. 0. 58. 0. 33. 50. 雞飯苦瓜肉燥. sit. 飯. al. 打拋肉飯. n. 餐廳 C. io. 29. 14. Ch. engchi U. er. 餐廳 B. Nat. 25. y. ‧. ‧ 國. restname. 學. dataid. v ni. 17. 以甜味覺所佔有的比例來做舉例，所列出的公式如下: P(sweet)%=ALL(sweet)/(count) P 為 Personal 的縮寫，由於這是從個人資料庫所提取的資料，所以計算出來的結果以 P(sweet)%表示個人甜味味覺比例。count 為餐點的數量，上述所列的公式就是將表格 sweet 欄的數值全部相加，除以餐點數量(count)，即為甜味權重所佔有的比例。而其他味覺比例則以相同公式計算不同的味覺欄位來得到。甜味的個人味覺比例為(30+0+0)/3=10 約 10% 酸味的個人味覺比例為(0)/3=0 約 0% 苦味的個人味覺比例為(28)/3=9.333 約 9%. 21.

(31) 鮮味的個人味覺比例為(23+14+17)/3=18 約 18% 鹹味的個人味覺比例為(47+58+33)/3=46 約 46% 辣味的個人味覺比例為(50)/3=16.666 約 17% 由上述表格三樣餐點可計算建構出的個人味覺比例約為: 甜 10% 酸 0% 苦 9% 鮮 18% 鹹 46% 辣 17%. 3.3.4 群眾味覺比例. 政治大. 群眾味覺比例可用於表示所有使用者資料所建構出的味覺比例，可以代表群眾的味覺感. 立. 學. 由以下表格 3 作為群眾資料來進行計算:. umami salty. 海南雞飯. 17. 0. 0. 33. 31. 0. 0. al. 南洋咖哩雞飯. Ch. engchi U. y. 餐廳 A. bitter. sit. 20. sour. spicy. 50. 0. v ni. 23. 46. 0. er. 餐廳 A. sweet. n. 19. foodname. io. restname. Nat. dataid. 表格 3:群眾資料庫內容範例. ‧. ‧ 國. 受。. 21. 餐廳 A. 醉雞飯. 6. 0. 0. 40. 54. 0. 22. 餐廳 B. 回鍋肉飯. 14. 0. 0. 28. 58. 0. 23. 餐廳 B. 排骨飯. 18. 0. 0. 36. 46. 0. 24. 餐廳 B. 香烤鯖魚. 8. 0. 0. 50. 42. 0. 0. 0. 28. 14. 58. 0. 飯 25. 餐廳 B. 苦瓜肉燥飯. 22.

(32) 以酸味覺所佔有的比例來做舉例，所列出的公式如下: G(sour)%=ALL(sour)/(count) G 為 General 的縮寫，目標由個人改為群眾，由群眾資料庫提取資料。上述所列的公式就是將表格 sour 欄的數值全部相加，除以餐點數量(count)，即為酸味權重比例。甜味的群眾味覺比例為(17+31+6+14+18+8)/7=13.42 約 13% 酸味的群眾味覺比例為(0)/7=0 約 0% 苦味的群眾味覺比例為(28)/7=4 約 4%. 政治大. 鮮味的群眾味覺比例為(33+23+40+28+36+50+14)/7=32 約 32%. 立. 鹹味的群眾味覺比例為(50+46+54+58+46+42+58)/7=50.57 約 51%. ‧ 國. 學. 辣味的群眾味覺比例為(0)/7=0 約 0%. 由上述表格七樣餐點可計算建構出的群眾味覺比例約為:. ‧. 甜 13% 酸 0% 苦 4% 鮮 32% 鹹 51% 辣 0%. sit. y. Nat. n. al. er. io. 3.3.5 個人味覺偏好. i n U. v. 透過個人與群眾味覺比例的差異計算，可以運算出使用者偏好的味覺。. Ch. engchi. 以甜味覺所佔有的比例來做計算，所列出的公式如下: Pd(sweet)%=P(sweet)%-G(sweet)% 以 d 來表示 different 差異性，若 Pd(sweet)%計算出來後為正數，則表示個人口味較群眾比起來更偏好甜味，若 Pd(sweet)%計算出來為負數，則表示個人口味相較群眾更不喜好甜味，若 Pd(sweet)%小於正負 1%，則表示個人口味在甜味方面與群眾大致相同。由 3.3.3 的個人味覺比例與 3.3.4 的群眾味覺比例中的表格來計算個人味覺偏好: 個人味覺比例為:甜 10% 酸 0% 苦 9% 鮮 18% 鹹 46% 辣 17% 群眾味覺比例為:甜 13% 酸 0% 苦 4% 鮮 32% 鹹 51% 辣 0% 則個人味覺偏好為:. 23.

(33) 甜 10-13=(-3%) 酸 0-0=0% 苦 9-4=5% 鮮 18-32=(-14%) 鹹 46-51=(-5%) 辣 17-0=17% 由計算出的個人味覺偏好可以得知，使用者飲食習慣上與群眾相比較偏好辣味與苦味，而較不偏好甜、鮮與鹹味。. 3.3.6 餐點味覺比例對於餐點本身也有餐點味覺比例，透過群眾對於餐點的標記來建構出群眾對於該餐點的. 政治大. 味覺感受。. 立. 餐點味覺比例是由同一間餐廳之同樣名稱的餐點被使用者標記的味覺標記權重，再. ‧ 國. 學. 除以該餐點被標記的次數來獲得。由以下表格 4 作為群眾資料中，餐廳 A 所提供的南洋咖哩雞飯的數據來進行計算:. ‧. 雞飯 48. 餐廳 A. y. al. 南洋咖哩. 南洋咖哩. sour. bitter. 30. 0. 0. sit. 餐廳 A. sweet. umami. salty. spicy. 23. 0. er. 20. foodname. n. restname. io. dataid. Nat. 表格 4:由群眾資料庫擷取南洋咖哩雞飯數據之範例. 47. 20. 0. 0. 21. 59. 0. 20. 0. 0. 30. 50. 0. Ch. engchi U. v ni. 雞飯 72. 餐廳 A. 南洋咖哩雞飯. 以鮮味覺所佔有的比例來做計算，所列出的公式如下: F(umami)%=ALL(umami)/(count) F 為 Food 縮寫，資料由群眾資料庫搜尋該餐點名稱來提取，所計算出的比例為該餐點的味覺比例。上述所列的公式就是將表格 umami 欄的數值全部相加，除以餐點數量. 24.

(34) (count)，即為鮮味權重比例。甜味的餐點味覺比例為(30+20+20)/3=23.33 約 23% 酸味的餐點味覺比例為(0)/3=0 約 0% 苦味的餐點味覺比例為(0)/3=0 約 0% 鮮味的餐點味覺比例為(23+21+30)/3=24.66 約 25% 鹹味的餐點味覺比例為(47+59+50)/3=52 約 52% 辣味的餐點味覺比例為(0)/3=0 約 0%. 政治大. 由上述表格可計算建構出南洋咖哩雞飯的餐點味覺比例為:. 立. 甜 23% 酸 0% 苦 0% 鮮 25% 鹹 52% 辣 0%. ‧ 國. 學. 3.3.7 個人味覺偏好推薦. ‧. 本論文提出的第一個推薦方法是由個人味覺偏好來推薦。將使用者的個人味覺偏好. Nat. sit. y. (3.3.5)與餐點味覺比例(3.3.6)做運算，可以算出餐點推薦指數，用來代表餐點與使用. al. n. 章節一開始的圖 6。. er. io. 者味覺的契合程度，並將餐點依照指數高低進行排序，便可以推薦給使用者。架構如 3.3. Ch. engchi. i n U. v. 我們依照 6 種味覺取得使用者的 Pd(sweet)%、Pd(sour)%、Pd(bitter)%、Pd(umami)%、 Pd(salty)%、Pd(spicy)%後，與系統內的所有餐點味覺比例 F(sweet)%、F(sour)%、F(bitter)%、 F(umami)%、F(salty)%、F(spicy)%分別做計算，來算出每道餐點的推薦程度。. 25.

(35) 對餐點 F 與使用者 P 所使用的計算個人餐點推薦指數公式如下: PF(recommend)= Pd(sweet)%*F(sweet)% +Pd(sour)%* F(sour)% +Pd(bitter)%* F(bitter)% +Pd(umami)%* F(umami)%+Pd(salty)%* F(salty)% + Pd(spicy)%* F(spicy)% 計算出的 PF(recommend)指數越高，則代表餐點的味覺口味較契合使用者，所以推薦順序會較前；反之則代表餐點的味覺口味比較不契合使用者，所以推薦順序會較後。由 3.3.5 的個人味覺偏好與 3.3.6 南洋咖哩雞飯的餐點味覺比例來計算南洋咖哩雞飯餐點推薦指數:. 政治大. 個人味覺偏好為:甜-3% 酸 0% 苦 5% 鮮-14% 鹹-5% 辣 17%. 立. 南洋咖哩雞飯味覺比例為:甜 23% 酸 0% 苦 0% 鮮 25% 鹹 52% 辣 0%. ‧ 國. 學. 餐點推薦指數為:. (-3)*23+0*0+5*0+(-14)*25+(-5)*52+(17)*0=(-69)+0+0+(-350)+(-260)+0=(-679). ‧. 由於推薦指數計算出來的結果為負值，所以代表南洋咖哩雞飯較不契合使用者建構出的. Nat. n. al. 3.3.8 個人味覺比例推薦. Ch. engchi. er. io. 推薦指數的最大值為 10000，最小值為-10000。. sit. y. 味覺，於推薦順序會排在較後面。計算上我們直接取百分比的整數部份下去計算，餐點. i n U. v. 3.3.7 的個人味覺偏好推薦是由個人與群眾的味覺差異先計算出個人味覺偏好，再分別推薦符合偏好味覺的餐點。本節提出了另一個不同的推薦方法，一樣是透過使用者的味覺標記來進行推薦，但是直接推薦與個人味覺比例(3.3.3)相近餐點味覺比例的餐點，架構如圖 8。. 26.

(36) 政治大. 立. ‧ 國. 學. 圖 8:個人味覺比例推薦方法架構. ‧. 首先使用者透過標記餐點來建立個人味覺比例，而被標記過的餐點也會有該餐點的. y. Nat. io. sit. 味覺比例，系統由資料庫直接取得各餐點的味覺比例與使用者個人味覺比例進行計算，. n. al. er. 並以計算出來的味覺差異度由小到大做為排序依據來推薦餐點。. Ch. 由以下表格作為餐點味覺比例的範例來做計算:. engchi. i n U. v. 表格 5:餐點味覺之範例 dataid. restname. foodname. sweet. sour. bitter. umami salty. spicy. 20. 餐廳 A. 南洋咖哩. 30. 0. 0. 23. 47. 0. 0. 0. 28. 14. 58. 0. 0. 0. 0. 17. 33. 50. 雞飯 25. 餐廳 B. 苦瓜肉燥飯. 29. 餐廳 C. 打拋肉飯. 27.

(37) 對餐點 F 與使用者 P 所使用的計算個人推薦公式如下: PF(recommend)=|P(sweet)%-F(sweet)%|+|P(sour)%-F(sour)%|+|P(bitter)%-F(bitter)%|+| P(umami)%-F(umami)%|+|P(salty)%-F(salty)%|+|P(spicy)%-F(spicy)%|. 上述的公式用來計算出個人與餐點間每種味覺差異度的絕對值，並且全部加總起來即為推薦指數。計算出的 PF(recommend)指數越高，則代表該餐點的味覺比例與使用者的差距越大，所以推薦順序會較後面；反之則代表餐點的味覺比例與使用者的味覺比例較接近，所以推薦順序會較前。. 立. 政治大. 3.3.3 之個人味覺比例: 甜 10% 酸 0% 苦 9% 鮮 18% 鹹 46% 辣 17%. ‧ 國. 學. 南洋咖哩雞飯的味覺比例: 甜 30% 酸 0% 苦 0% 鮮 23% 鹹 47% 辣 0% 苦瓜肉燥飯的味覺比例: 甜 0% 酸 0% 苦 28% 鮮 14% 鹹 58% 辣 0%. ‧. 打拋肉飯的味覺比例: 甜 0% 酸 0% 苦 9% 鮮 17% 鹹 33% 辣 20%. Nat. sit. y. 南洋咖哩雞飯的推薦指數為. n. al. er. io. |(10-30)|+|(0-0)|+|(9-0)|+|(18-23)|+|(46-47)|+|(17-0)|=20+0+9+5+1+17=52 苦瓜肉燥飯的推薦指數為. Ch. engchi. i n U. v. |(10-0)|+|(0-0)|+|(9-28)|+|(18-14)|+|(46-58)|+|(17-0)|=10+0+17+4+12+17=51 打拋肉飯的推薦指數為 |(10-0)|+|(0-0)|+|(9-9)|+|(18-17)|+|(46-33)|+|(17-20)|=10+0+0+1+13+3=27 由以上範例計算後可得知，打拋肉飯的餐點味覺比例與使用者的個人味覺比例較接近，所以在上述 3 樣餐點之中優先推薦打拋肉飯(27)，其次為苦瓜肉燥飯(51)，最後為南洋咖哩雞飯(52)。. 28.

(38) 3.3.9 味覺分類推薦當使用者使用味覺分類推薦功能時，介面提供了甜酸苦鮮鹹辣六種味覺選項給使用者勾選，當使用者勾選選項並點選查詢後，畫面會呈現出符合勾選味覺的餐點，並依照使用者勾選的味覺計算而出的餐點分類指數來排序推薦。使用者也可以輸入餐廳名稱，程式便只會推薦屬於該餐廳內的餐點。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 9:分類推薦介面. 符合勾選味覺的餐點的定義是，當使用者勾選了味覺時，所列出來的餐點必須符合使用者所勾選的選項，也就是對應的餐點味覺比例不能為 0。例如使用者勾選了鹹和辣，那若有一道餐點鹹和辣其中一項為 0 的餐點就不符合(例如表格 2 中的苦瓜肉燥飯，辣味權重為 0)，必須兩者皆不為 0 才能符合並推薦(例如表格 2 中的打拋肉飯)。. 29.

(39) 對餐點 F 的計算餐點分類指數公式如下: F(category)= C(sweet)*F(sweet)% +C(sour)* F(sour)% +C(bitter)* F(bitter)% +C(umami)* F(umami)%+C(salty)* F(salty)% + C(spicy)* F(spicy)% C()內所代表的是使用者所勾選的分類，若有勾選則為 1，未勾選則為 0，如此一來只有使用者所勾選的味覺之餐點味覺比例會列入計算，之後將總和加起來即為餐點分類指數。由 3.3.6 南洋咖哩雞飯的餐點味覺比例來計算南洋咖哩雞飯餐點分類指數:. 政治大. 南洋咖哩雞飯味覺比例為: 甜 23% 酸 0% 苦 0% 鮮 25% 鹹 52% 辣 0% (1)使用者勾選:甜、酸. 立. ‧ 國. 學. 由於南洋咖哩雞飯的酸為 0%，不符合使用者所勾選的甜、酸，所以南洋咖哩雞飯不會出現於清單上。. ‧. (2)使用者勾選:甜、鮮. Nat. sit. n. al. er. io. (3)使用者勾選:鹹. y. 餐點分類指數則為 1*23%+1*25%=48%. 餐點分類指數則為 1*52%=52%. Ch. engchi. i n U. v. 每樣餐點計算完其餐點分類指數後，便依照餐點分類指數由高至低排序，越高則越符合勾選的味覺，並且將結果呈現給使用者，以達到分類推薦的目標。. 3.4 程式資料庫架構本論文使用了 3 個資料庫分別使用於個人記錄、群眾記錄以及餐點推薦，架構如下圖，以下將分別詳細說明。. 30.

(40) 立. 政治大. ‧ 國. 學. Nat. y. ‧. 圖 10:程式資料庫架構. io. sit. 3.4.1 個人資料庫. n. al. er. 個人資料庫用於儲存使用者所記錄的資料，資料庫位於手機程式內，其內容包含了索引. Ch. ID，餐廳名稱、餐點名稱，6 種味覺共 9 個欄位。. engchi. i n U. v. 使用者透過程式進行餐點標記時，會將標記資料一併上傳到個人資料庫和群眾資料庫，索引 ID 不需由使用者標記，由資料庫系統自行建立。使用者可以透過個人飲食記錄頁面來獲得個人味覺比例的資訊，並且可以查詢標記過的餐點。系統將使用圓餅圖以及對應顏色的文字來呈現使用者的個人味覺比例，以及標記過的餐點數量。. 31.

(41) 學圖 11:個人記錄介面與個人記錄清單介面. ‧. ‧ 國. 立. 政治大. y. Nat. io. sit. 當使用者想要查詢自己標記過的餐點時，程式介面將依照使用者標記的順序來呈現. n. al. er. 餐點名稱，並且使用者點擊該餐點名稱後可以看到該餐點的詳細內容。. 3.4.2 群眾資料庫. Ch. engchi. i n U. v. 群眾資料庫用於儲存所有使用者所記錄的資料，資料庫位於網路伺服器上，其內容包含了索引 ID，餐廳名稱，餐點名稱，以及 6 種味覺共 9 個欄位。使用者透過程式進行餐點標記時，會將標記資料一併上傳到個人資料庫和群眾資料庫，索引 ID 不需由使用者標記，由資料庫系統自行增加。群眾資料庫由於需要連上網路才能獲得內容，在讀取大量資料時將會耗費較多時間，所以介面上要顯示多筆資料是由推薦資料庫來呈現而非群眾資料庫。在查詢單項餐點的詳細資料時則因為資料量較小，可以直接由群眾資料庫搜尋資料. 32.

(42) 並呈現。當使用者選擇了某一樣餐點後，程式介面將透過圓餅圖以及對應顏色的文字來呈現餐點味覺比例，以及該項餐點被標記過的次數。. 立. 政治大. ‧. ‧ 國. 學. n. al. er. io 3.4.3 推薦資料庫. sit. y. Nat. 圖 12:餐點味覺比例介面. Ch. engchi. i n U. v. 推薦資料庫用來儲存所有標記過的餐點以及其推薦指數的資料，資料庫位於手機程式內，其內容包含了索引 ID，餐廳名稱，餐點名稱，以及味覺偏好推薦指數、味覺比例推薦指數共 5 個欄位。推薦資料庫屬於間接修改的資料庫，在開啟程式時，系統會讀取個人資料庫以及群眾資料庫的資料，並透過 3.3 章節的計算方法來分別算出每樣餐點的推薦指數，並將指數儲存於推薦資料庫內。當使用者點選味覺偏好推薦或是味覺比例推薦時，程式將依照推薦資料庫的推薦指數排序並呈現，味覺偏好推薦是由大排到小(越大代表越推薦)，味覺比例推薦則是由小. 33.

(43) 排到大(越小表示越接近個人味覺比例)，並且使用者點擊該餐點名稱後可以看到該餐點的詳細內容。另外在使用者標記餐點後，除了會將資料上傳到個人資料庫和群眾資料庫外，同時也會將推薦資料庫內的資料更新以達到同步。使用者可以透過輸入餐點名稱或是餐廳名稱來搜尋並過濾資料，以取得對應的推薦。例如下圖為搜尋私房麵餐廳所獲得的結果。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. 圖 13:推薦介面. 34. v.

(44) 第四章評估方法與結果. 評估所做的實驗分為第一階段和第二階段。第一階段實驗主要用於蒐集資料，並且提供對照資料供第二階段實驗作比較。第二階段實驗用於驗證推薦方法的可行性，並且進行各種分析與比較結果。. 4.1 實驗限制. 立. 政治大. ‧ 國. 學. 1.資料庫建立與實驗操作時的味覺比例填寫皆由使用者憑印象填寫，並未真正讓使用者於用餐時標記，所以與實際味覺情況有誤差。. ‧. 2.LifeLog 是一生的記錄，但本實驗僅透過 10 間餐廳和 10 輪實驗，總共每人僅點選 30. sit. y. Nat. 道餐點，所以只能大概顯示趨勢。. io. n. al. er. 3.為了更接近真實情況，餐廳選定並未限制同一種類，僅限制於政大附近。. 4.2 第一階段實驗. Ch. engchi. i n U. v. 第一階段實驗包含了線上問卷調查以及建構味覺資料庫，線上問卷調查對象為政治大學學生，回收有效問卷 16 份，每份包含 12 個問題以及選項，使用者將從 10 間餐廳菜單中，每間餐廳勾選出 2~6 樣想吃的餐點，用來建構以顧客點餐次數為順序排名的群眾推薦方法。味覺資料庫建構則是請 10 位政治大學學生分別透過手機程式建立 10 間餐廳的餐點資料，將他們所認為菜單上餐點的味覺比例以及餐廳和餐點名稱透過標記介面上傳到資料庫。這些資料將於第二階段實驗推薦實驗時使用。. 35.

(45) 4.3 第二階段實驗第二階段實驗的目標在於驗證 3.3.7 與 3.3.8 的個人化推薦方法。透過取得兩種方法的推薦餐點與使用者所點選餐點之間的命中數以及排名，並且在實驗過程中逐漸累積使用者味覺比例與標記次數，以驗證使用者標記次數是否會影響推薦的命中數和排名。並藉由與第一階段實驗建構出的群眾推薦方法做排名比較，以及和隨機推薦做命中數的比較，來驗證這兩種方法對於推薦餐點是否有幫助。實驗方式為尋找 10 位自備 Android 手機的受訪者，同時於同一地點進行實驗，這. 治政些 Android 手機將安裝實驗用的程式 Foodtaste。實驗步驟共大 10 輪，第 2 到 10 輪所填寫立的問卷和使用程式的方式一樣，僅是重複共同步驟。 ‧ 國. 學 ‧. 以下為第 1 輪的實驗步驟:. 1.第 1 輪請使用者填寫姓名，然後隨機從 1~10 編號的菜單中選取一張，並填寫菜. y. Nat. io. sit. 單編號到問卷上，表示使用者將到該餐廳用餐。. n. al. er. 2.接下來請使用者填寫這張菜單上他想點選的 3 道餐點編號，編號為該餐點在資料. Ch. 庫的 ID，每一道餐點皆有不同的編號。. engchi. i n U. v. 3.接著請使用者透過手機標記介面來將步驟 2 填寫的三樣餐點之餐廳名稱、餐點名稱以及 6 種味覺的比例輸入到資料庫中。 4.等候所有人完成，請所有人退出手機程式並重新啟動以同步資料庫，然後歸還菜單並重新抽選一張，不與之前編號重複，表示使用者將到另一家餐廳用餐。. 以下為第 2 到 10 輪的共同步驟: 1.填寫菜單編號到問卷上，並請使用者填寫這張菜單上他想點選的 3 道餐點編號。 2.請使用者點選手機程式的味覺偏好推薦，並且輸入該餐廳名稱關鍵字以獲得該餐. 36.

(46) 廳的推薦清單，並請使用者將該清單上的前 6 名推薦餐點記錄下來。接下來請使用者找尋步驟 1 填寫的 3 道餐點分別位於推薦清單的名次，並且填寫 3 樣餐點的名次總和。 3.請使用者點選手機程式的味覺比例推薦，並且輸入該餐廳名稱關鍵字以獲得該餐廳的推薦清單，並請使用者將該清單上的前 6 名推薦餐點記錄下來。接下來請使用者找尋步驟 1 填寫的 3 道餐點分別位於推薦清單的名次，並且填寫 3 樣餐點的名次總和。 4.請使用者點選手機程式的隨機推薦，並且輸入該餐廳名稱關鍵字以獲得該餐廳的隨機推薦清單，之後請使用者將該清單上的 6 樣推薦餐點記錄下來。. 政治大. 5.接著請使用者透過手機標記介面來將步驟 1 填寫的 3 樣餐點之餐廳名稱、餐點名. 立. 稱以及 6 種味覺的比例輸入到資料庫中。. ‧ 國. 學. 6.等候所有人完成，請所有人退出手機程式並重新啟動以同步資料庫，然後歸還菜單並重新抽選一張，不與之前編號重複，表示使用者將到另一家餐廳用餐，並且進入下. ‧. 一輪。. sit. y. Nat. n. al. er. io. 做完 10 輪實驗結束之後，將以使用者問卷所填寫的資料，與第一階段實驗建構出. i n U. v. 的群眾推薦方法來計算排名，以及與隨機推薦來做命中數的比較。首先找出使用者所填. Ch. engchi. 寫想點選的餐點於群眾推薦方法中的加權排名總和來計算排名與排名總和，並將這些資料與本論文提出的兩個方法所獲得的排名總和資料做比較。然後將問卷中兩個推薦方法推薦出排名前 6 名的餐點和隨機推薦方法所推薦出的 6 樣餐點做比較，觀察是否與使用者填寫在該餐廳所點選的餐點相同來計算比較命中數。最後用排名總和以及命中數比較來驗證本論文的推薦方法是否有成效。. 37.

(47) 4.4 實驗結果與分析 10 位實驗受試者在第 2 到 10 輪將分別選擇 10 間不同餐廳菜單中的 3 樣餐點，選擇後點選程式推薦，觀察這 3 樣餐點分別位於各推薦清單的名次，將每輪共 30 樣餐點的名次加總後即為一輪的名次總和(縱軸)，並列出第 2~10 輪(橫軸)的總和來比較與分析。. 4.4.1 味覺偏好推薦分析 (名次總和). 立. 500 450. 味覺偏好趨勢線. io. 100. al. n. 50. sit. 150. y. Nat. 200. 理論排名總和. er. 250. 味覺偏好推薦. ‧. 300. ‧ 國. 350. 學. 400. 政治大. 0 2. 3. 4. Ch 5. e n7 g c8 h i9. 6. iv n U (輪) 10. 圖 14:味覺偏好推薦分析. 上圖是味覺偏好推薦的名次與輪數關係圖，圖中包含了味覺偏好推薦的數據、以這些數據建構而成的味覺偏好趨勢線，以及理論排名總和線。理論排名總和線是根據以下算法而得出的: 假設 A 餐廳有 18 道餐點，則選 3 道餐點的排名理論值為 [(1+18)*18/2]/18*3=28.5 中括弧部份內代表的是把這 18 道菜的排名都加起來的總名次(也就是 1 加到 18)，. 38.

(48) 然後除以 18 為只點一道菜的理論排名，之後因為我們每輪點 3 道菜，所以乘以 3。每一輪選 3 道餐點，共做 9 輪，也就是 28.5*9=256.5，這是 A 餐廳的 9 輪理論排名總和。因為每一輪都會有 10 位使用者從 10 間餐廳點菜，每輪餐點的數量是一樣多的，所以可以將 10 間餐廳 9 輪排名總和相加，除以 9 輪來得到每輪理論排名總和 406.5。趨勢線是使用 Excel 內建的趨勢線功能，將原本味覺偏好推薦資料數據代入，來取得與原數值最接近的趨勢線。. 政治大. 由趨勢線和理論排名總和比較，可以看出味覺偏好推薦的總和名次有隨著輪數增加. 立. 而逐漸下降，由於名次總和越小表示推薦的越準確，所以表示在味覺偏好推薦的方法上，. ‧ 國. 學. 累積資料能對於推薦有幫助。趨勢線起始點的位置與理論排名總和非常接近，也表示了僅有少量資料的時候推薦僅和隨機推薦的期望值差不多。. ‧. n. er. io. sit. y. Nat. al. Ch. engchi. 39. i n U. v.

(49) 4.4.2 味覺比例推薦分析. (名次總和) 600 500 400. 味覺比例推薦. 300. 理論排名總和. 政治大. 200. 立 2. 3. 4. 5. 6. 7. 8. 9. (輪). 學. 0. ‧ 國. 100. 味覺比例趨勢線. 10. 圖 15:味覺比例推薦分析. ‧. io. er. 據建構而成的味覺比例趨勢線，以及理論排名總和線。. sit. y. Nat. 上圖是味覺比例推薦的名次與輪數關係圖，圖中包含了味覺比例推薦的數據、以這些數. al. 理論排名總和線算法可以參照 4.4.1，由趨勢線和理論排名總和比較，可以看出味. n. v i n Ch 覺比例推薦的總和名次有隨著輪數增加而逐漸下降，名次總和越小表示推薦的越準確， engchi U 所以表示在味覺偏好推薦的方法上，累積資料能對於推薦有幫助。雖然趨勢線起始點的位置大於理論排名總和，不過趨勢線延伸後也低於理論排名總和，所以在可接受的誤差範圍內。而與味覺偏好推薦相比，味覺偏好推薦的結果的趨勢線斜率和起始點皆優於味覺比例推薦，顯示味覺偏好推薦方法較佳。. 40.

(50) 4.4.3 群眾推薦分析. (名次總和). 400 350 300 250. 群眾推薦. 200. 群眾推薦平均值. 150. 群眾推薦趨勢線. 政治大. 100. 立 2. 3. 4. 5. 6. 7. 8. 9. 10. 學. 0. ‧ 國. 50. (輪). 圖 16:群眾推薦分析. ‧. io. er. 成的群眾推薦趨勢線，以及群眾推薦的平均值。. sit. y. Nat. 上圖為群眾推薦的名次與輪數關係圖，圖中包含了群眾推薦的數據、以這些數據建構而. al. 群眾推薦是根據第一階段實驗 16 份有效樣本來計算每樣餐點的名次加權值，並將. n. v i n C h 3 樣餐點進行名次計算。第二階段實驗每位使用者每輪所點選的 engchi U. 名次加權值等同於餐點的名次，但是由於問卷調查結果名次可能相同，所以相同名次的排名需要經過平均計算而得到名次加權值。範例如下圖:. 41.

(51) 立. 政治大圖 17:群眾推薦名次範例. ‧ 國. 學. 這張圖為第一階段問卷於 B 餐廳所獲得的結果，第一欄為餐點名稱，第二欄為被點. sit. Nat. 第 3，泡菜鍋和醬燒豬肉鍋並列第 5，以此類推。. y. ‧. 選次數，如要計算名次為海鮮豆腐鍋 1，大腸臭臭鍋 2，腸旺鴨血鍋和醬燒牛肉鍋並列. io. er. 但是並列的情況實際上為腸旺鴨血鍋和醬燒牛肉鍋占據了 3、4 名，泡菜鍋和醬燒. al. 豬肉鍋占據了 5、6 名，所以名次必須做加權調整，調整過的值為(3+4)/2=3.5，. n. v i n Ch (5+6)/2=5.5，也就是腸旺鴨血鍋和醬燒牛肉鍋實際名次各為 3.5 名，泡菜鍋和醬燒豬 engchi U 肉鍋實際名次各為 5.5 名，而海鮮豆腐鍋和大腸臭臭鍋因為沒有並列排名的問題，所以仍然是 1、2 名。每一輪皆有 10 位使用者點選了共 30 道餐點，將這 30 道餐點於各自餐廳的名次加權值總和相加即為該輪名次總和。將 9 輪數據以折線圖表示則為群眾推薦數據線。群眾推薦趨勢線是使用 Excel 內建的趨勢線功能，將原本群眾推薦資料數據代入，來取得與原數值最接近的趨勢線。趨勢線呈現的是向上的趨勢，也就是做越多輪群眾推薦越不準確。但是實際上我們在群眾推薦的每一輪的條件上並未做改變(而味覺推薦的方法每一輪皆會有更多資料累積進入資料庫，每一輪條件不同)，所以群眾推薦的趨勢. 42.

(52) 線與每一輪的關係是沒有意義的，我們需要找出的是群眾推薦的平均值，並以平均值和其它味覺推薦方法做比較。. 4.4.4 名次整體比較 (名次總和) 600 500. 政治大. 400. 立. 300. 理論排名總和. 5. 6. 7. 8. 9. 10. 味覺比例趨勢線. (輪). io. sit. y. 4. 味覺偏好趨勢線. 圖 18:名次整體比較. n. al. er. 3. Nat. 2. 群眾推薦平均值. ‧. 0. ‧ 國. 100. 味覺比例推薦. 學. 200. 味覺偏好推薦. Ch. i n U. v. 整體比較而言，最明顯的就是群眾推薦平均值遠低於理論排名總和以及兩個味覺推薦的趨勢線，推測原因如下:. engchi. 1.群眾喜歡吃的東西，通常受試者也會喜歡吃。 2.由於第二階段實驗受試者與第一階段實驗填問卷的受訪者有部份重複，而這些重複的人在第一階段實驗問卷以及第二階段實驗的問卷皆點選一樣的餐點，會導致餐點排名的上升而使總數據降低。 3.味覺推薦的趨勢線累積資料不足。由於 LifeLog 為記錄一生的資料，並非 10 輪總共 30 道餐點資料就可以代表，並且在只有 10 輪的情況下兩個方法都已經顯現出下降的趨勢，若擴展至更多輪甚至 100 輪，趨勢線的延伸將可能更接近群眾推薦的平均值。. 43.

(53) 而在兩條味覺推薦趨勢線的比較下，可以看出味覺偏好推薦優於味覺比例推薦，但是兩個方法皆呈現向下的趨勢，所以兩個方法皆是有效的。而且在實驗限制條件下，味覺皆是由使用者想像，每個人標記的比例差異也會較大。在這樣情況下仍然有一定的成效，也表示若使用者能真正品嘗過食物，或是搭配味覺感應器獲得更精準的資料，甚至獲得使用者數年乃至一生的餐點味覺資料，將可以提升標記的正確性和推薦的準確度。. 4.4.5 整體命中數比較 (命中數). 立. 90. io. 10. a l味覺比例理論期望值隨機推薦 v i n C圖h 19:整體命中數比較 engchi U. n. 0. y. 20. Nat. 30. 味覺偏好. 整體命中數. sit. 40. ‧. 50. er. 60. ‧ 國. 70. 學. 80. 治政整體命中數大. (方法). 命中數比較方面，採取的方法是由使用者記錄每間餐廳每一輪所推薦的前 6 道餐點，並與先前所點選的 3 道餐點看是否有重複，每重複 1 道餐點則命中數加 1。上圖的結果為 9 輪整體命中數的圖表，分為味覺偏好命中數，味覺比例命中數，理論命中期望值以及隨機推薦命中數。理論期望值是以排列組合的方式計算而出，例如 A 餐廳有 18 道菜，隨機取 6 道菜，其中命中 3 道菜的期望值為: C18 取 6=18564 種組合. 44.

(54) C18 取 6 中 0 的組合數為 5005 C18 取 6 中 1 的組合數為 9009 C18 取 6 中 2 的組合數為 4095 C18 取 6 中 3 的組合數為 455 (9009*1+4095*2+455*3)/18564=1 為 A 餐廳的每輪理論命中期望值。將 10 間餐廳的理論命中期望值總和相加乘以 9 輪，則為整體理論命中期望值。由整體命中數圖表可看出，味覺偏好方法優於其他 3 種方法，而味覺比例方法則效. 政治大. 果最差。接下來我們將以本論文所提出的兩個方法分別做分析，以及最後以末 3 輪的資. 立. 料來做分析。. ‧ 國. 學. 4.4.6 味覺偏好推薦命中數分析. ‧. (命中數). sit. io. 10. n. al. er. 12. y. Nat. 14. 8 6. Ch. engchi U. v ni. 味覺偏好推薦隨機推薦平均值理論期望值. 4 2 0 2. 3. 4. 5. 6. 7. 8. 9. 10. (輪). 圖 20:味覺偏好推薦命中數分析. 由上圖可觀察出味覺偏好推薦的整體命中數大多高於理論期望值以及隨機推薦平均值。前面兩輪或許是運氣較好，所以在累積資料較少的情況下命中仍高於期望值，而後面幾輪則是累積資料較多命中數也多，可以證明味覺偏好推薦對於命中數的提升是有效的。. 45.