以情境感知與個人化知識本體為基礎之即時廣告推薦

以情境感知與個人化知識本體為基礎之即時廣告推薦

陳榮昌

¹

蕭朝維

²

1

朝陽科技大學 資訊管理系

E-mail: rcchen@cyut.edu.tw

2

朝陽科技大學 資訊管理系

E-mail:s9914617@cyut.edu.tw

摘要

即時廣告推薦是以小篇幅的方式隨機的將廣 告重點呈現在使用者的網頁，當使用者對該廣告有 興趣時再點選觀看廣告。目前的即時廣告通常都只 是以隨機的方式來推廣告，如此對該廣告沒有興趣 的使用者就會排斥甚至產生厭惡，所以廣告的效益 將大打折扣。本研究希望能夠藉由情境感知的技術 來找到使用者較感興趣的廣告，然後將其推薦給使 用者，如此更能提升廣告的效率。無論是線上交談 平台或網頁的瀏覽，我們皆可以透過對使用者間聊 天的內容或瀏覽的網頁內容的分析來得到所需的 情境知識，然後依此情境知識來找尋適當的廣告。

當情境知識不足時，也可以改由個人化知識本體來 獲取使用者個別嗜好的資訊，因此皆能找到使用者 較感興趣的廣告而達到成功推薦的目的。

關鍵詞：即時廣告、推薦、情境感知、線上交談平 台、情境知識、個人化知識本體。

Abstract

The instant recommendation of advertisement is display the point randomly by small scope on the web.

Users will read the advertisements when they feel the advertisements are interesting. The instant recommendation of advertisement usually recommend the goal of advertisements randomly nowadays.

Therefore, if users do not like the advertisements, they will feel disagreeable. So the effect of advertisement will be reduced. In our research, we hope to use the technologies of context-aware and personal ontology to find advertisement which are really interested by users. Thus the effect of advertisement will be increased. For both the situation of online talking and web browsing, we could obtain the context-aware knowledge by analyzing the content of conversations and web browsing to find the appropriate advertisements for recommending. When context-aware knowledge is not enough, the system can also obtain the information of user from personal ontology. Thus the system could find the proper advertisements to achieve the purpose of recommendation successfully.

Keywords：instant advertisement, recommendation,

context-aware, the interface of online talk, context-aware knowledge, personal ontology.

1. 前言

在現今網路普及的時代，人們會藉由網路來從 事許多事情，例如聊天、查詢資料、購物等許多事 情，所以網路人口迅速的增加，因此，吸引了許多 業者透過網路來打廣告，例如聊天平台上的廣告、

搜尋引擎的關鍵字廣告、入口網站上的廣告等。然 而，這些廣告通常都是以隨機且不分主題的方式來 呈現，這樣的方式不僅沒有吸引到使用者，還可能 讓使用者覺得厭煩，如此一來，廣告的效果將大打 折扣。因此，若能將廣告的主題配合使用者的需求 來進行即時性的變換與推薦，將有助於提升廣告的 效果。Huang (2008)提出以分類樹來分析對話內容 的意圖，並且應用到廣告的推薦上[11]，但是由於 此研究只能針對英文的對話內容做分析，所以無法 處理中文的對話內容。

幾年來，雖然有許多網路廣告的研究，但是其 研究重點幾乎都是放在廣告的成效上，關於廣告推 薦系統的並不多，再者，推薦系統的研究大部分都 是關注在推薦的精準度，反而忽略掉即時的推薦效 果，例如陳寶旭(2006)運用協同過濾推薦機制來處 理搭售商品的推薦[4]，其強調的是個人化的推薦精 準度。陶幼慧等學者(2005)利用網路探勘應用於電 子商務網站[3]，此研究只有作效能的分析，但是並 沒有即時推薦的效果。因此，本研究提出以情境感 知 (Context-aware) 結 合 個 人 知 識 本 體 (Personal Ontology)的方法來達到即時廣告推薦的目的，透過 情境感知的技術來收集使用者目前聊天或瀏覽網 頁的情境資訊，當判斷使用者不是在聊天或瀏覽網 頁時，則使用個人化知識本體來做為推薦的基礎，

透過知識本體的語意描述能力找出相關的偏好概 念，推薦適合的廣告給使用者，如此一來，不僅能 夠吸引使用者的點閱，提升廣告的點閱率，也能夠 幫助廣告業者獲得更良好的廣告效果。

2. 文獻探討

2.1. 個人化知識本體(Personal Ontology) 個人化知識本體是將使用者的學習成果用知 識本體的方式記錄下來，他可以用來描述使用者的 興趣、習慣、個人知識等，就像人類由剛出生時對

(圖片來源：IAMA，2010.1) 於任何概念一無所知開始，經過長時間的學習，大

腦就能漸漸的累積個人的知識，我們也可以將使用 者瀏覽網頁所得的概念紀錄於知識本體而形成個 人化知識本體[6]。Huhns 和Stephens(1999)兩位學 者認為個人化知識本體包含了支援離線功能、支援 瀏覽和搜尋的動作、概念的分類以及支援時間性的 排序等優點[13]，個人化知識本體能夠以時間來紀 錄使用者最常看或是最近瀏覽的文章、網頁等，藉 此了解使用者的瀏覽過程。

即時廣告與一般廣告有許多差異，表 1. 為本 研究對於網路廣告所做的比較，綜合來看，雖然一 般廣告的推薦範圍比較大，但反而造成推薦主題過 於發散，沒有吸引力，因此即時廣告的推薦是比較 有效率的。

表 1. 即時廣告與一般廣告之比較

個人化知識本體目前廣泛應到網頁排序、推薦 系統的應用上，我們過去也提出利用個人化知識本 體來幫助網頁行為探勘，他可以改善傳統使用者檔 案(User Profiles)無法提供網頁概念相關性的缺點，

更進一步的了解使用者偏好，並且改善了冷起始的 問題[5]。Hui Peng等學者將知識本體應用於部落格 的文章分類比較，並且將使用者的文章分類建置成 個人化知識本體[14]；Liao(2009)以個人化知識本體 應用到圖書館的推薦系統，系統能夠根據個人化知 識本體來推薦相關書籍[15]。Sarkar (2010)藉由知識 本體來建置每一個使用者的使用者檔案，並且透過 K-means來將每一個使用者檔案進行分群[7]。這些 研究都有助於個人化知識本體的發展與應用。

2.2. 網路廣告(Display Advertising)

即時推薦 一般推薦

推薦範圍 小 大

客製化 有 無

廣告吸引力 高 低

2.3. 情境感知(Context-aware)

情 境 感 知 這 個 概 念 最 早 是 由 Schilit 和 Theimer(1994)所提出來，其定義為能夠根據目前所 處的區域和收集附近人們與物件的資訊來回傳給 使用者[10]，也有學者認為只要是能根據情境來提 供相關的資訊或服務給使用者的系統就是屬於情 境感知系統[8]，「Context」指的能可以用來描述所 有狀況特徵的資訊[9]。情境感知若依服務類型可依 實體環境和使用者情境來區分(如圖2.) [17]，實體環 境指的是使用者目前環境所包含的資訊，如溫度、

溼度和亮度等，使用者情境指的是使用者的偏好、

習慣和興趣等，主動服務指的是主動去感應目前的 情境並自動的更新服務，如系統感應到使用者正在 看 電 影 就 自動 的 將 手 機關 機 或 是 切換 成 靜 音 模 式，被動式服務指的是根據使用者的情境資訊來進 行推薦的服務，例如感應到使用者正在購買CD，就 會推薦比較符合使用者偏好的CD。Cantador等學者 (2008)提出了一個基於個人化知識本體和情境感知 的新聞推薦系統News@hand，該系統使用了語意的 技術去提供許多推薦服務給使用者，他以目前使用 者所瀏覽的文章資訊為實體環境，以該使用者過去 的資訊為使用者情境，以此二者為基礎來決定使用 者長短期的興趣[12]。本研究也延續此精神，將其 應用於即時廣告的推薦，我們透過情境感知來了解 目前使用者的聊天情境或瀏覽情境，並且當目前環 境的情境知識不足時，以個人化知識本體來補強而 達到即時推薦的目的。

網路廣告泛指所有在網站媒體上以曝光CPM 計價或點擊CPC計價之各種形式的圖像式網路廣 告，包含影音、多媒體廣告。以文字鏈結(Text-link) 廣告、電郵廣告，或是專區贊助等頻道廣告均包括 在內[16]，而根據資策會FIND對於國內的網路人口 調查，2010的網路人口數達到近1100萬人[16]，由 於網路人口迅速的倍增，廣告的宣傳漸漸的開始由 傳統的電視廣告、廣告傳單，轉變成透過網路來宣 傳，利如橫幅廣告(Banner Ads)、按鈕廣告(Button Ads)、插播式(Interstitial Ads)、文字廣告(Text Links Ads)、贊助式廣告(Sponsored Ads)等[1]。網路廣告 能夠讓廣告主知道自己的廣告被點閱了多少次，精 確的衡量廣告效益。網路廣告市場因此特性，得以 快速擴張，是整個廣告產業中成長最快的一環，(天 下雜誌，357期，2006)，根據IAMA的預測，2011 年 在 整 體 經濟 穩 定 且 消費 不 再 高 度緊 縮 的 狀 況 下，台灣的網路廣告市場其規模預期可維持呈現2 位數的成長率，將可達到新台幣99.67億元，成長 16.55%，網站廣告將成長到62.20億新台幣，成長 18.26%[16]，圖1.為IAMA對於近幾年台灣網路廣告 成長趨勢所做的調查。

實體情境 使用者情境

主動式服務

被動式服務

圖 2. 情境感知服務類型[17]

圖 1. 2007-2010 台灣網路廣告成長趨勢

3. 研究方法

3.1. 建立個人化知識本體

個人化知識本體主要是根據使用者比較常接 觸的概念或是本身的興趣來建置，其建置方式主要 可分為手動建立、半自動建立或是藉由專家的知識 來建立，其中手動的建置方式，經常會因為過於主 觀而產生不同的結果，並且需要花費許多的人力和 時間[1]，而半自動建構的方式又包含了許多種方 式，例如以字典為基礎、以文字分群為基礎等方 式，但每一個方式都還是有優缺點。為了節省建置 知識本體的所花費的成本與時間。本研究參考[6]的 方式，透過專家知識本體來輔助個人化知識本體的 建立，因為專家知識本體已經被許多專家或使用者 驗證過，所以專家知識本體相較於一般手動或半自 動而成的知識本體來得完整且可信度高。

圖 3.個人化知識本體之建置流程圖 圖 3. 為個人化知識本體之建置流程圖，系統 會根據使用者的情境內容(聊天或瀏覽網頁等)所包 含的情境知識來建置個人化知識本體。當此情境知 識的概念沒有存在於個人化知識本體裡，代表使用 者並沒有學習過這個概念，此時，系統將參考專家 知識本體的結構，將該情境知識的概念新增至適當 的位置，反之，當此情境知識原本就已經存在於個 人化知識本體，系統就會將偏好度加 1，並且透過 下列兩個公式將其延伸概念(即父概念和子概念)的 偏好度(Insterested Degree)更新，

S S

S P

P

 

 (1)

S P P

P P N

P _{ } (2)

其中， 為父概念的偏好度， 為子概念的 偏好度， 是其父概念的子概念個數，

Pp s

Ps

N _p是父概

念的影響參數，_s則是子概念的影響參數。另外，

由於偏好度並不能明確的表示使用者對某概念的 喜好程度，所以當要查詢使用者對某一概念的偏好 程度時，我們必須經由下列公式把偏好度正規化而

轉 換 成 正 規 化 後 的 偏 好 度 數 值 (Normalized Interested Degree Value)，簡稱偏好值。

min max

min

) i

N( '

I I

I I_i I



  (3)

其中，Ii 代表目前概念的偏好度，Imin為所有概念 的最小偏好度，Imax為所有概念的最大偏好度。

因此，偏好值 N(Ii)為 0~1 之間的數值，此數值 越高代表使用者對該概念的偏好程度越高。圖 4.

為偏好度更新之舉例，每次使用者接觸某一個概念 後，系統會將系統原本的概念偏好度進行更新，其 中紅色邊框的概念為更新的主概念，綠色邊框的概 念為父概念，藍色邊框為子概念，假設父概念的影 響參數αp=0.5，子概念的影響參數αs=0.7，主概念

「生活用品」的偏好度原本為 7，經由更新之後可 以得到偏好度為 7+1=8，父概念之一「線上購物」

的偏好度原本為 6.3，經由更新之後可以得到偏好 度為 6.3+0.5/3=6.47，父概念之二「購物」的偏好度 原 本 為 5 ， 經 由 更 新 之 後 可 以 得 到 偏 好 度 為 5+0.5/4=5.12，子概念之一「禮品」的偏好度原本為 3.5，經由更新之後可以得到偏好度為 3.5+0.7=4.2。

6.3

7

3.5 4.5

3 5 .

0

7 .

0

1

7 .

0

更新偏好度

5

5.2 6.47

8

4.2 4 5.12

5 .

0

生活用品

美容用品 禮品

線上購物 購物

圖 4. 偏好度更新之舉例

此外，我們也考量到使用者的興趣可能隨著時 間的過去而有所改變，而且偏好度的數值也不能無 限制的往上累加，因此，我們透過衰減的機制，當 偏好度值達到門檻值(例如 10000)後將所有偏好度 減半，如此即能同時處理此兩個因素所產生的問 題。

3.2. 關鍵字的擷取 Step 1.內容擷取

當情境內容(例如網頁、對話)已經達到足夠的 數量或是到達時間的門檻值，系統將自動擷取目前 的情境內容並且開始做斷詞處理。

Step 2.斷詞處理

採用中研院所開發的中文斷詞系統(CKIP)來進 行斷詞，此系統目前廣泛應用到人工智慧或是自然 語言的領域，因為它能分析中文內容包含哪些詞彙 以及詞性。

Step 3.過濾處理

由於斷詞只能分辨文章包含了哪些詞彙，但是 並不能過濾掉贅字，因此必須再經由過濾的處理，

將標點符號、贅字、全形、半形等移除掉，所謂的 贅字指的是沒有意義的文字，其依詞性可主要可分 為語助詞、代名詞等，如表 2.。

表 2. 贅字對照表之舉例

語助詞 例如「阿」、「唷」、「呢」、「呵」等。

代名詞 例如「你」、「我」、「他」等。

問候詞 例如「嗨」、「哈囉」、「早安」、「午安」、

「晚安」等。

介系詞 例如「的」、「得、「之」等。

量詞 例如「箱、「捆」、「片」、「件」等。

Step 4.詞彙頻率之分析

過濾處理之後，我們以詞彙頻率 TF(Term Frequency)較高的當作是情境知識的關鍵字，並且 分析每一個關鍵字是否有包含在專家知識本體裡 面，如果不包含在知識本體裡面就移除掉，最後組 成情境知識。關鍵字不包含在知識本體裡面有兩種 可能：

(1)第一種為比較新穎的字詞。

(2)第二種可能性為超過本研究領域範圍的字詞。

3.3. 情境感知之推薦流程

圖 5. 為情境感知之推薦流程圖，系統會在適 當的時機點自動擷取情境的內容，例如對話內容或 是網頁等，再把情境內容進行前置處理(如 3.2 節所 述)，並藉由專家知識本體得到情境知識的延伸概念

組 ，然後與每一個廣告的延伸概

念組做相似度的分析，假設某一個廣告的延伸概念

組為 ，則 T 與 A 的相似度的計

算方式為

} t ..., , t , t {

T _{1 2 m}

a ..., , a , a {

A 

_{1 2 n}

}

|

|

| ) |

,

(

T A

A A T

T

sim



 

(4) 我們就以此二延伸概念組的相似度 sim(T, A)來當作 此情境下使用者對延伸概念組 A 所相對應廣告的 偏好值，然後利用此偏好值來判斷推薦的優先順 序。

圖 5. 情境感知之推薦流程圖 3.4. 個人化知識本體之推薦流程

圖 6. 為個人化知識本體之推薦流程圖，系統

根據廣告的延伸概念組(假設某一個廣告的延伸概 念組為

A  { a

₁

, a

₂

, ..., a

_n

}

)所包含的概念，參考每 一個概念(ai)在個人化知識本體所對應的偏好度，由 公式(3)算出其偏好值 N(Ii)，然後透過下列公式找出 最高的偏好值當作對該廣告的偏好程度，即

)) ( ),..., ( ), ( ), (

max(

N I₁ N I_n N I₂ N I_n

I



(5)

因此，我們就可以依據每個廣告的最高偏好值來進 行廣告的推薦。

圖 6. 個人化知識本體之推薦流程圖 3.5. 廣告之推薦流程

本研究主要是以情境感知的偏好值為基礎來 進行廣告推薦，但是當使用者沒有任何動作、情境 知識不足或是情境知識的偏好度未達門檻值時，將 利用個人化知識本體找出廣告的延伸概念組裡面 最大的偏好值當作是廣告偏好值，然後進行推薦。

以圖 7. (廣告之推薦流程圖)為例，我們先利用 3.3 節中所使用的情境感知推薦流程圖算出每一個廣 告相對應目前情境的相似度(即情境感知偏好值)，

如果有一個或多個廣告的情境感知偏好值大於我 們預定的門檻值，代表依情境知識算出之廣告的偏 好度足夠找出使用者偏好的廣告，此時將直接將這 些廣告推薦給使用者。當所有的廣告的情境感知偏 好值都小於預定的門檻值，我們就依 3.4 節(個人化 知識本體之推薦流程)，找出每一個廣告相對應個人 化知識本體的偏好值，然後將偏好值較高的廣告推 薦給使用者。

圖 7. 廣告之推薦流程圖 3.6. 廣告推薦說明例

以下我們將以實例來說明本研究所提出的推薦 流程。當使用者開始瀏覽網頁或是聊天，系統會從 適當的時機點來擷取聊天情境的內容，並且傳送至 CKIP 做斷詞的處理以取得情境內容所包含的字 詞，接下來，則根據表 2. 的贅字對照表把這些字

詞進行過濾處的理，將標點符號、贅字等去除掉，

最後，透過關鍵字的頻率來找出情境知識的關鍵字 組。假設所找到的關鍵字組為{生活用品、精品百 貨}。另外，我們並透過專家知識本體找出關鍵字 的 父 概 念 及子 概 念 而 組成 情 境 知 識的 延 伸 概 念 組，假設情境知識的延伸概念組為 T={生活用品, 購物,線上購物,美容用品,禮品,精品百貨}。

接著我們以情境知識的延伸概念組和每一個 廣告的延伸概念組做相似度的比較，並且以此相似 度做為使用者對廣告的偏好程度。假設有 4 個廣告 的延伸概念組分別為 A1={精品百貨,線上購物,購 物}、A2={百貨公司,購物}、A3={二手交易,買賣專 區,線上購物,購物}以及 A4={網路藥局,線上購物,購 物}，系統會利用公式(4)來進行相似度計算，得到 延伸概念組 T 和 A1 的延伸概念組相似度為 0.5、T 和 A2 的相似度為 0.14、T 和 A3 的相似度為 0.25、

T 和廣告 A4 的相似度為 0.14。因此，T 與 A1、A2、

A3 和 A4 的情境感知偏好值各為 0.5、 0.14、 0.25 和 0.14。

假設我們設定情境門檻值為 0.5，則四個廣告 裡面只有 A1 的情境感知偏好值滿足門檻值，所以 A1 所相對應的廣告將推薦給使用者。又因為已經 有廣告滿足可以推薦的條件，我們將不啟動個人化 知識本體的推薦流程。

如果情境感知的門檻值改為 0.6，那麼廣告的 延伸概念組 A1、 A2、A3 和 A4 的情境偏好值都未 達門檻值，所以必須改由個人化知識本體進行推 薦，假設在延伸概念組 A1 所相對應的最高偏好值 為「精品百貨」的 0.6，所以把「精品百貨」的偏 好值當作是該廣告的偏好值，A2 延伸概念組裡面 最高偏好值為「百貨公司」的 0.48，所以把「百貨 公司」的偏好值當作是該廣告的偏好值，在 A3 延 伸概念組裡面，最高偏好值為「購物」的 0.5，所 以把「購物」的偏好值當作是該廣告的偏好值，而 在 A4 延伸概念組裡面，最高偏好值也為「購物」

的 0.5，所以把「購物」的偏好值當作是該廣告的 偏好值。因此，根據個人化知識本體的偏好值來進 行推薦，順序由高至低為 A1、A3、A4 和 A2 所相 對應的廣告。

4. 結論與未來工作

本研究提出以情境感知和個人化知識本體來 做為即時的廣告推薦的基礎，我們透過情境知識來 與廣告的內容做比較，並將相似度較高的廣告推薦 給使用者。當使用者沒有在聊天、瀏覽網頁或是當 情境知識不足的時候，就藉由廣告與個人化知識本 體的偏好度來查詢使用者對廣告的偏好度，兼顧長 期與短期之偏好，不僅能夠吸引使用者的點閱，提 升廣告的點閱率，也能夠幫助廣告業者獲得更良好 的廣告效果。

在未來的研究中，除了完成系統的實作外，我 們將針對下列幾點來進行改善：

(1)推薦的數量：推薦的排序是依每一個廣告的相 關程度來推薦，但是排在越後面的廣告其相關程度

將越低，因此要推薦多少個廣告才適合是ㄧ個需要 進一步探討的議題。

(2)分析擷取情境內容的最佳時機：使用者的打字 速度及其他外在因素的影響(如掛網等等)，都可能 影響到交談內容數量的多寡，所以要在什麼時候擷 取對話內容最適當將是重要的議題。

(3)效能的分析與評估：我們將以精準度

(Precision)與召回率(Recall)來分析系統推薦廣 告的效能。

5. 參考文獻

[1] 周郁菁，在時間限制下，網路廣告促銷方式對 網路衝動性購買行為影響之研究，朝陽科技大 學企業管理系碩士論文，民國 97 年 5 月。

[2] 莊雨薇，半自動化建置本體論-以旅遊本體論 為例，國立成功大學工程科技學學系碩士論 文，民國 95 年 1 月。

[3] 陶幼慧、莊明達、劉書助，網路探勘應用於電 子商務網站之績效實驗，第十一屆資訊管理實 務研討會，實踐大學，Dec.2-3，2005。

[4] 陳寶旭，運用協同過濾推薦機制於搭售商品之 推薦，朝陽科技大學企業管理系碩士論文。

[5] 陳榮昌、蔡旺典，建立個人化知識本體來輔助 網路行為探勘， 第十七屆國際資訊管理學術 研討會，義守大學，2006 年 5 月 27 日。

[6] 蔡旺典，建立個人化知識本體來輔助網頁行為 探勘 – 以個人化網頁排序為例，朝陽科技大 學資訊管理系碩士論文，民國 96 年 1 月。

[7] A. Sarkar and A. Basu, “Ontology Based User Modelling for Personalized Information Access, ” International Journal of Computer Science and Applications, Vol. 7, No. 1, pp. 1-22, 2010.

[8] A. K. Dey and G. D. Abowd, “Towards a Better Understanding of Context and

Context-Awareness,” CHI 2000 Workshop on the What, Who, Where, When, and How of Context-Awareness, 2000.

[9] A. K. Dey, “Understanding and using context,”

Personal and Ubiquitous Computing, Special issue on Situated Interaction and Ubiquitous Computing, Vol. 5, No. 1, pp. 4-7, 2001.

[10] B. Schilit and M. Theimer, “Disseminating Active Map Information to Mobile Hosts,”

IEEE Network, Vol. 8, No. 5, pp. 22–32, 1994.

[11] H. C. Huang, M. S. Lin and H. H. Chen,

“Analysis of Intention in Dialogues Using Category Trees and Its Application to Advertisement Recommendation,” The Third International joint conference on Natural Language Processing, India, pp. 625-630, 2008.

[12] I. Cantador, A. Bellogín, and P. Castell,

“Ontology-based Personalised and Context-aware Recommendations of News Items,” Proceedings of IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology (WI), Vol. 01,

pp. 562–565, 2008.

[13] M. N. Huhns, and L. M. Stephens, “Personal ontologies,” Internet Computing, IEEE, Vol. 3, No. 5, pp. 85-87, 1999.

[14] P. L. Hsu, P. C. Liu, and Y. S. Chen, “Using Ontology to Map Categories in Blog,” WISM 2009, LNCS 5854, pp. 252–260, 2009.

[15] S. C. Liao, K. F. Kao, I. E. Liao, H. L. Chen, and S. O. Huang, “PORE: a personal ontology recommender system for digital libraries”, Electronic Library, The, Vol. 27, No. 3, pp.496–508, 2009.

[16] 台北市網際網路廣告暨媒體經營協會, http://www.iama.org.tw/Bulletin/NewsDel/39, March 20, 2011.

[17] 數位典藏與學習之產業發展與推動計畫, http://newsletter.teldap.tw/news/InsightReportC ontent.php?nid=4395&lid=498, March 20, 2011.