基於情境感知的個人化中文廣告推薦

基於情境感知的個人化中文廣告推薦

摘要

現今的網路廣告普遍還是以隨機的方式 來推薦廣告，使用者對所推薦的廣告不一定感 興趣，使得廣告點閱率偏低。目前也有針對個 人化廣告推薦的研究，但卻沒有針對中文廣告 的推薦。因此，本研究希望發展一個可以針對 中文廣告的個人化推薦系統。我們將以情境感 知的架構為基礎，從分析使用者的交談內容及 其 個 人 資 訊 中 來 蒐 集 短 期 和 長 期 的 情 境 資 訊，並且利用這些情境資訊經由模糊推論引擎 找出符合使用者需求的廣告，藉此找出使用者 感興趣的廣告。經由本研究的實驗結果顯示，

本研究所提出的個人化廣告推薦確實能夠改 善傳統廣告的點閱率，如此將可讓廣告商獲得 良好的廣告效益，也能讓使用者取得感興趣的 廣告。

關鍵詞：個人化廣告推薦、點閱率、情境感知、

情境資訊、模糊推論引擎。

Abstract

Nowadays, the advertisings are often recommended by random selection. These recommended advertisings may not be interested by users. Thus, the click through rate(CTR) may be decreased. There are many studies about personal advertisement recommendation in these years. But, we can not find the efforts about the recommendation of Chinese advertisement.

Hence, we propose a personal advertising recommendation system for Chinese advertisings. We employ the context-awareness technology to gather both short-term contextual information and long-term contextual information from the dialogue of users. And then, analyzing these contextual information by fuzzy inference engine to find the advertising what

the user wants. Finally, by experiment results,we prove that our proposed method really improve the click through rates(CTR).

Therefore, through our approach, the advertisers can acquire more effective advertising and the user can also acquire his interested advertisements.

Keywords: Personal Advertisement Recommendation, Click through Rates, Context-awareness, Contextual Information, Fuzzy Inference Engine.

1. 前言

隨著網際網路的普及，企業主對於廣告的 行銷方式又多了一個新選擇，即網路廣告。現 今的網路廣告(如圖 1的聊天室)普遍採用隨機 的方式來推薦廣告，因此會把不相關的廣告也 推薦給使用者，這樣可能造成使用者對於廣告 感到反感，造成廣告點閱率偏低的情形。許多 研究陸續被提出來，例如Deane等學者提出利 用知識本體來分析使用者過去的網頁瀏覽記 錄，藉此提升點閱率[6]；Regelson等學者提出 利用關鍵字的分群來預測網路廣告的點閱率 [17]；Addis等學者發展了一個基於代理人的推 薦系統並且應用於廣告的推薦上，他們主要是 透過使用者輪廓(User Profile)來找出使用者的 興趣，藉此推薦合適的廣告給使用者[1]。這些 個人化廣告推薦系統往往只有考慮到過去的 歷史資訊，反而忽略掉使用者當下的情境分 析，此外，目前的個人化廣告推薦系統普遍都 是針對英文的廣告內容，相較之下，中文廣告 的個人化推薦系統反而是比較缺乏的。

陳榮昌 蕭朝維

朝陽科技大學資訊管理系 副教授

朝陽科技大學資訊管理系 研究生

e-mail：rcchen@cyut.edu.tw e-mail：s9914617@cyut.edu.tw

圖 1 豆豆聊天室的隨機廣告[19]

因此，我們提出將情境感知的技術應用於 中文廣告的個人化推薦上，利用情境感知來蒐 集目前及過去的的情境資訊，並且將專家的經 驗融入於推理引擎之中，透過分析情境資訊與 模糊推論來達到智慧型的推薦。在情境資訊的 部分，我們以短期情境及長期情境來描述使用 者的短期偏好和長期偏好；所謂的短期偏好是 指當下的情境，它是比較即時性的，例如使用 者正在交談話的話題或是目前較熱門的廣告 等，因此，情境內容將持續不斷的改變；長期 偏好則是指使用者長期以來的習性或興趣，例 如過去較常點閱的廣告類別、過去較常交談的 話題等，這些情境資訊將有助於廣告推薦的分 析。

下面文章中，我們將先針對相關文獻進行分 析與探討，然後提出我們的系統架構，並說明 知識本體的建置以及中文廣告的推薦流程，最 後是實驗與結論。

2. 相關文獻

2.1 個人化廣告推薦系統(Personal Advertising Recommender System)

近年來，已有許多個人化廣告推薦議題的 相關研究，如 表 1所示，Huang[9]提出利用 Yahoo! Directory的分類樹將使用者們的對話 內容進行分類，並且以分類底下的廣告來推薦 給使用者，但是此研究著重在方法的參數探 討 ， 而 且 只 有 考 慮 到 關 鍵 字 之 間 的 權 重 。 Kazienko 和 Adamski 提 出 以 網 頁 行 為 (Web Usage)與網頁內容探勘(Web Mining)實作出一 個 具 有 個 人 化 特 性 的 網 頁 廣 告 推 薦 系 統

「AdROSA」[13]，此系統能夠隨著使用者所 瀏覽的網頁的不同來推薦個人化的廣告，此研 究的貢獻主要在於他們的推薦方法不需要詢 問使用者個人資料，系統就能夠自動分析使用 者的特性然後提供個人化的推薦，但是此方法 是針對在網頁的瀏覽上，因此可能不適用於其

它平台上，例如交談平台的廣告推薦。Jang等 學者提出利用基於知識本體的關鍵字管理系 統來幫助廣告的推薦，此推薦方法主要是藉由 TF-IDF 計 算 關 鍵 字 的 權 重 值 ， 然 後 再 透 過 Apriori演算法找出關鍵字之間的關聯性[11]，

但此方法只有考慮到關鍵字的因素而忽略掉 了其他資訊的影響，例如個人偏好以及廣告的 點閱次數等，並且並不適於中文廣告的推薦 上。Deane提出利用知識本體分析使用者過去 的網頁瀏覽歷史並且應用於廣告的個人化推 薦上[6]，但是這樣會產生冷起始(Cold-Start)的 問題，因為必須經過ㄧ段時間才能蒐集到使用 者的瀏覽歷史。因此，我們將以提供符合使用 者需求的廣告為前提，發展一個具有個人化特 色的中文廣告推薦系統。

表 1 廣告推薦系統相關文獻之比較 Huang,

2008

Jang et al.,

2007

Kazienko and Adamski,

2007

Deane and Pathak,

2009 中文

內容    

使用 者的 興趣

   

歷史

紀錄    

關鍵 字之 間的 權重

   

2.2 情境感知之應用

Chen等學者於 2004 年提出了一個情境代 理 人 的 架 構 (Context Broker Architecture, COBRA)[5]，並將此架構應用於智慧型的會議 室系統，簡稱EasyMeeting，該系統可以針對會 議參與者推薦相關的服務和資訊，如圖 2所 示，情境代理人主要是由下列四個部分所組 成：

(1)情境知識(Context Knowledge Base)

情境知識主要是來自使用者的個人資料 或是週遭環境的相關資訊，例如溫度、溼度、

位置、使用者的興趣及使用者的情緒等資訊。

(2)情境推論引擎(Context Reasoning Engine) 在取得相關的情境知識之後，情境推論引 擎可以利用語意網的技術或是模糊規則等方 法來得到推論的結果。

(3)情境取得模組(Context Acquisition Module) 情 境 取 得 模 組 負 責 蒐 集 相 關 的 情 境 知 識，並且經由過濾只留下較有意義且重要的情 境知識。

(4)情境管理模組(Context Management Module) 情境管理模組可以訂定特定的策略，再依

據策略來進行規範，例如限制情境知識的存取 範圍以及使用者的隱私權等。

由於此架構較為完整且符合本研究的需 求，因此我們以此情境感知的架構為基礎，將 情境感知的技術融入本研究所提出的智慧型 推薦系統當中，我們從使用者交談內容、閱讀 的文章等取得所需的短期資訊，並與使用者過 去的相關資訊結合為情境知識，透過對情境知 識的推理及分析來找到適當的廣告來推薦給 使用者。

圖 2 Cobra 之架構圖[5]

3. 個人化的中文廣告推薦系統

3.1 系統架構

能夠處理中文內容並且提供個人化廣告的 推薦系統至今依舊是比較缺乏的，因為中文不 像英文有空白來區分每個詞彙，因此必須先經 由斷詞的處理才能夠了解ㄧ句話或是一篇文 章 的 含 意 ， 雖 然 目 前 已 有 CKIP(Chinese Knowledge Information Processing Group)[18]

可以協助斷詞，但是斷詞結果並不一定正確，

例如「我想要買一支智慧型手機」這一個句 子，經由斷詞之後將「智慧型手機」拆解成「智 慧型、「手機」，如此一來，當廣告的關鍵字包 含了「智慧型手機」的時候，系統將無法得知 使用者所想表達的意思，如此將造成有相關廣 告卻沒有推薦的情形。此外，中文字詞在斷詞 之後必須進一步經由詞彙合併才能得到較正 確的斷詞結果。因此，本研究採用了過去學者 所提出的詞彙合併規則[14]，然後依據本研究 上的需求修改成較適合本應用的合併規則。

圖 3 為我們所提出的系統架構，包含了情 境資訊蒐集模組、情境運算模組、模糊推論引

擎以及篩選與推薦；首先，在資訊蒐集模組部 分，本研究考量了短期情境與長期情境，短期 情境可以用來描述使用者的短期偏好，例如目 前瀏覽的網頁、目前的熱門新聞和目前聆聽的 歌曲等，本研究將利用專家知識本體的概念延 伸，找出更多相關的情境資訊；長期情境則能 用來描述使用者的長期偏好，例如使用者輪廓 (User Profile)以及歷史紀錄等都是屬於長期情 境裡面的資訊，我們透過個人化知識本體來紀 錄使用者的個人偏好，以偏好度更新及衰減的 方式來反應出使用者的興趣變化。此外，我們 也加入了案例式推理的概念，系統將記錄過去 的案例，即使用者曾經接受過的推薦項目，再 以相似度的計算找出相似的案例，便能得到經 由案例式推理所取得的資訊；有了短期情境和 長期情境所包含的資訊，我們便能透過情境運 算模組的運算來得情境資訊相似度，接下來再 透過模糊化將情境資訊相似度轉換成歸屬程 度，最後，便能透過模糊推論引擎的推論，給 予每一個項目不同等級的分數，並且可以再進 一步經由分數門檻值的篩選，找出與使用者相 關程度較高的推薦項目依序推薦給使用者。

相關情境資訊 情境運算模組 情境資訊蒐集 模組

短期情境 長期情境

項目評分 專家

知識本體

篩選與推薦 模糊推論引擎

個人化 知識本體

案例式庫 (Yahoo! Directory)

圖 3 系統架構

3.2 知識本體之建置

知識本體的架構主要由概念(Concept)、實體 (Entities)、屬性(Attributes)、關聯(Relations)和公理 (Axiom)所組成，目前廣泛運用在推薦系統、網頁排 序等應用上，例如Hsu等學者將個人化知識本體應 用到部落格，利用使用者的文章分類作為個人化知 識本體，並跟好友的個人化知識本體做相似度的比 較來達到推薦的目的[8]，Liao等學者利用中國圖書 分類法做為參考本體(Reference Ontology)，並且利 用參考本體裡面的主題分類，針對使用者建立個人 化的知識本體，然後透過個人化知識本體的輔助來 推薦書籍[15] ， Chaffee利用參考本體(Reference Ontology)和個人化知識本體(Personal Ontology)之 間的比對(Mapping)來幫助使用者找出符合需求的 網頁[3]，Carmichael等學者在智慧型環境中藉由個

人化知識本體的輔助來幫助特徵的擷取[2]對於知 識本體的建置，本研究選擇以知識庫為基礎的 建 構 方 式 ， 並 直 接 採 用 專 家 的 知 識 (Expert Ontology)來做為建置本體的依據，因為專家知 識本體已經被多位專家或使用者驗證過，且專 家定義的知識本體是一個較完整且可靠的知 識本體，所以可信度較高。目前已有許多現成 的專家知識本體，例如Yahoo! directory[22]、維 基 百 科 分 類 索 引 、 ODP(Open Directory Project)[20]等，Garofalakis和Giannakoudi利用 ODP做為專家知識本體並且用來達到個人化 網頁排序的目的[7]， Middleton等學者在研究 中所實驗的推薦系統，Quickstep和Foxtrot分別 是 基 於 ODP 和 CORA(Computer Science Research Paper Search Engine)兩個專家知識本 體所建置而成[16]。

本研究經過不同專家知識的比較之後，認 為Yahoo! Directory的分類方式比較完整，因 此選擇使用Yahoo! Directory做為我們的專家 知識本體，如圖 4 為取自Yahoo! Directory[22]

的一部分。由於使用者們所交談的話題可能包 含各種領域的關鍵字，所以若要涵蓋各領域知 識勢必要有一個非常龐大且完整的專家知識 本體，因此本研究將以「購物」的範疇為例，

利用購物分類底下的三個階層做為知識本體 的領域範圍，如此才不會導致交談話題的種類 落差太大，造成推薦上的困難。

圖 4 Yahoo! Directory[22]

3.3 廣告推薦流程

圖 5為廣告推薦之流程，每一個廣告都將 經由此流程來進行評分，本研究考量到交談的 範圍若不受限制，將導致交談話題的類型落差 太大，造成推薦上的困難，因此選擇「購物」

的領域做為要推薦的範圍。首先，情境資訊蒐 集模組會蒐集各種不同的情境資訊，在短期情 境部分，包含了交談話題和廣告熱門資訊，長

期 情 境 資 訊 部 分 則 包 含 個 人 偏 好 及 廣 告 案 例，有了這些情境資訊，便可以透過情境運算 模組來取得情境資訊相似度，接下來，本章節 將針對各個情境資訊的取得、相似度的運算以 及模糊推論引擎來進行說明。

圖 5 廣告推薦流程圖

3.3.1 交談話題相似度(Topic Similarity, TS)

在交談話題相似度的部分，系統會根據時 間點和字元數擷取最近的對話內容，例如本研 究暫時把時間門檻值和字元數分別設為 25 秒

與 300 個字，這時系統每隔 25 秒就會擷取最 近所談論的 300 個字，接下來再經由前置處理 來得到交談話題的所包含的重要關鍵字，藉此 組成關鍵字組，如圖 6所示，其主要步驟分別 為：

詞彙 重組

贅字 處理

同義字 轉換

TF 計算 前置處理

斷詞處理

圖 6 前置處理之流程圖

(2)詞彙重組(Terms Composite) (1)斷詞處理(Words Segmentation)

中文詞彙的組成方式是非常複雜的，一個 語詞可以拆解成多個詞彙，例如「線上購物」

可以拆解成「線上」及「購物」，相對的，有 些詞彙也可以經由合併變成一個語詞，例如

「電動」和「機車」經由合併之後就能變成「電 動機車」。因此，斷詞結果可能產生誤判的情 形，所以本研究進一步將詞彙進行重組，而重 組的方式是根據[14]的詞彙重組規則，如表 2 由於中文詞彙的數量非常的龐大，而且並

不像英文詞彙都有空白來區分字詞，所以必須 經由斷詞的處理，才能取得交談內容裡面所包 含的中文詞彙。因此，本研究使用了中研院所 開發的 CKIP(Chinese Knowledge Information Processing Group)來進行斷詞。

所示，以第一個規則為例，當左邊的字詞性為 Na、Nb、Nc三種詞性裡面的其中一種，而且 右邊的字詞性也為Na、Nb、Nc三種詞性裡面 的其中一種，就能合併成一個詞性為Na的語 詞，其中Na代表的是一般名詞，Nb是專有名 詞，Nc是地方詞等，其餘的詞性請參考中央研 究院的詞性標記表[18]。

表 2 詞彙重組規則[21]

Left word Right word Composite Na, Nb, Nc Na, Nb, Nc Na

A, VH, Neu, Nes, VH13

Na, Nb, Nc, Nd

Na

VJ VH Na VC, VD Na Na

Nba Nba Nba

Dfa VH, V_2 VH13

Nes, Neu Neu Neu Neu, Nes,

FW

Nf Nf Neu VH Nf

Nep Nf, Nd Nf

(3)去除贅字(Stopwords Elimination)

本研究藉由CKIP所標記的詞性來找出贅 字，其過濾的方法是參考[4]的方式，根據表 3 的重要詞性對照表，只留下特定詞性的詞彙，

例如Na(一般名詞)、Nb(專有名詞)、VA(動作不 及物動詞)及VC(動作及物動詞)等，其餘的詞性 請參考中央研究院的詞性標記表[18]。

表 3 重要的詞性[4]

詞性標註 詞性描述 舉例

Na 普通名詞 老師

Nb 專有名詞 洋基隊

Nc 地方名詞 台北

Nd 時間名詞 昨天

VA 動作不及物動詞 跌倒

VC 動作單賓動詞 救援

VD 雙賓動詞 給

VHC 狀態使動動詞 熱

VH 狀態不及物動詞 瀰漫

VJ 狀態單賓動詞 得到

(4)同義字轉換(Synonym Conversion)

同義字的轉換不論是在推薦系統或是其他 相關的研究上，都是不可或缺的一環；因此，

在前置處理的過程中，也將建立同義字典，利 用同義字的轉換來達到用詞的一致性。

(5)關鍵字組(Key Set, KE)

在前置處理的過程中，最後將利用詞彙頻 率(Term Frequency, TF)的計算以及門檻值(暫 時設為 3)的設定，只留下重要的關鍵字，並且 組成關鍵字組 T 。

圖 7 購物領域之專家知識本體

接下來再藉由專家知識本體(圖 7)的語意描述 來找出直屬的父概念與子概念，並且加上原來 的關鍵字組 共同組成交談話題的延伸概念組 (Topic Extended Concept Set, TECS)，其定義

為 。以圖 8為例，假設T={生活用品, 精品百 貨}，經由專家知識本體的概念延伸之後，就 能得到T={生活用品, 精品百貨, 線上購物, 美容用品, 禮品}。

T={生活用品, 精品百貨} ={生活用品, 線上購物, 美容用品, 禮品, 精品百貨}

專家知識本體 交談內容

前置處理

交談話題的延伸概念組 交談話題的關鍵字組

擷取 查詢

T 

圖 8 專家知識本體的概念延伸之舉例

此外，所有廣告也可以找到其相對應的關 鍵字組，我們也依同樣的方法透過知識本體找 出直屬的父概念與子概念然後加上原來的關 鍵 字 組 T ， 共 同 組 成 廣 告 的 延 伸 概 念 組 (Advertising Extended Concept Set, AECS)，其

定義為 。有了交談話題的延伸

概念組與廣告的延伸概念組(

} ,...,a ,a {a

A _{1 2 n}

T 和 A)，就可以 計算兩者的相似度，本研究定義T 和 A 的相似 度為

A|

T

| A|

T S_t |







  (6)

3.3.2 廣告熱門相似度(Hot Advertising Similarity, HAS)

在短期情境資訊方面，本研究也納入了廣 告點閱次數的考量，因為當一個廣告被越多的 使用者點閱，即代表該廣告是非常熱門的，且

為大眾所接受，因此系統將每一個廣告的點閱 次數經由公式(7)

min max

min i

h Af Af

Af S Af



  (7)

得到廣告熱門相似度 ，其中 為第 i 個廣 告的點閱次數。 為所有廣告中點閱的最少 次數， 為最多廣告次數。

Sh Af_i Afmin

Afmax

3.3.3 個人偏好相似度(Personal Interest Similarity, PIS)

圖 9為個人化知識本體之流程圖，系統會 將延伸概念組裡面的每一個概念記錄下來並 且建置成個人化知識本體，透過個人化知識本 體的語意描述來了解每個概念之間的關係，而 當發現某個概念不存在於個人化知識本體裡

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

時，代表使用者並沒有接觸過這個概念，此 購物

時，系統將參考專家知識本體的分類，將此概 念新增至適當的位置。

圖 10 偏好度更新之舉例

同時，本研究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，所以當偏好度達到門檻 值(例如 1000)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。此外，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，我們必須經由公式

圖 9 個人化知識本體之運作流程

min max

min

) i

N( p p p p_i p



  (10) 而當情境資訊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(8)與(9)

s p p

p p N

p 



 (8)

s s

s p

p   (9)

把 偏 好 度 經 由 正 規 化 後 來 取 得 偏 好 度 數 值 (Normalized Interested Degree Value)，簡稱偏好 值。

其中 為第 i 個概念的偏好度。 為個 人化知識本體中所有概念的最低偏好度，

為最高的概念偏好度，然後再透過公式找出個 人化知識本體裡偏好值最高的概念，並以該概 念的偏好值當作該廣告的個人偏好相似度。

pi p_min

pmax

將 延 伸 概 念 ( 即 父 概 念 和 子 概 念 ) 的 偏 好 度 (Interested Degree) (即p_p與p_s)更新，其中



p

是父概念的影響權重， 則是子概念的影響 權重，_N 是父概念底下的子概念數量，本研究 利用此兩種權重來修正父概念及子概念的影 響程度。

s s

圖 10為更新個人偏好度之舉例，假設某 一個使用者的個人知識本體的概念包含了購 物、線上購物、生活用品、禮品和購物，其偏 好度分別為 5、6.3、7、3.5 和 4.5，當使用者 的交談話題裡提到了生活用品，系統會直接將 此概念的偏好度加 1，另外也會依據公式(8)與 公式(9)，分別將父概念與子概念進行更新，因 此經由偏好度更新之後可得到購物的偏好度 為 5.12、線上購物的偏好度為 6.47、生活用品 的偏好度為 8、禮品的偏好度為 4.2 以及美容 用品的偏好度為 5.2。

3.3.4 廣告案例相似度(Advertising Case Similarity, ACS)

在情境資訊蒐集模組的部分，我們也將案 例式推理的概念融入了情境資訊的分析上，每 當使用者點閱了系統所推薦的廣告時，就會將 當時所談論的交談話題 TA 以及廣告 A 記錄到 案例式庫裡，之後，系統會透過公式(11)

| TA T

|

| TA T

|





c

S (11)

比對目前的交談話題 與曾經接受的廣告所相 對應的話題 TA 之間的相似度，藉此找出相似 的案例，而如果某一個廣告所對應的交談話題 不只一個話題，我們可以找出其相似度最大的 話題，即由公式(12)來得到相似度，若某一個 廣告非常熱門，則它所相對應的聊天議題可能 會不只一個議題，那麼我們可以透過公式

) ) TA , T ( , , ) TA , T ( , ) TA , T (

max(  ₁  ₂  _m



sim sim

sim S_c



(12)

定義由案例式推理所得到的相似度 為其最大 相似度的值。

此外，若該廣告是新進來或沒有被推薦過的廣 告，我們則可以定義 。

圖 11為案例式推理之舉例，假設某一個廣 告的關鍵字組為A={衣服,服飾,平價,襯衫}，然 後該廣告過去曾經被點閱過三次，其對應的交 談 話 題 包 含 了 TA1={服 飾, 女 性, 特 價} 、

TA2={衣服, 淑女, 項鍊, 高跟鞋, 拍賣}以及 TA3={襯衫, 二手, 服飾, 日系, 促銷}，每一個 交談話題與廣告A的相似度分別為 0.166，0.125 以及 0.285；另一方面，假設使用者談論了某 一個話題 T ＝{衣服,買,洋裝,平價}，系統也會 算出T 與廣告A的相似度，最後，再從案例式 庫裡選出最大相似度的關鍵字組TA3 與交談話 題的延伸概念組進行相似度比較，最後可以得 到廣告點閱相似度為 0.33。

={衣服,買,洋裝,平價} 廣告

={衣服,女性,特價}

={衣服,淑女,項鍊,高跟鞋,拍賣} A={衣服,帽子,平價,襯衫} ={襯衫,二手,衣服,日本,平價}

0.3

.1, 0.3) max(0.2, 0

)) ,TA T ),sim(

,TA T ),sim(

,TA T max(sim(

,TA) T ( S

3 2 1

c









 



TA1

TA2

TA3

：目前的交談話題

TA：廣告過去所對應的交談議題 A：廣告的延伸概念組

案例式庫

T  T 

圖 11 案例式推理之舉例

3.3.5 模糊推論引擎

在進行模糊推論之前，必須將所有的情境 資訊相似度經由模糊化轉換成情境資訊歸屬 程度，如圖 12所示，本研究針對不同情境資 訊相似度的模糊集合來進行定義，將模糊集合

切割成三個區間(Partition)，分別對應了低相似 度、中相似度及高相似度三個語意變數，這些 歸屬函數的參數只是一個例子，參數設定將依 實際應用而定。

0 0.3

0.5 1

t

St high

0.7 0.5

low middle

0 0.3

0.5 1

h

Sh

high

0.7 0.5

low middle

0 0.3

0.5 1

p

Sp

high

0.7 0.5

low middle

0 0.3

0.5 1

c

Sc high

0.7 0.5

low middle

圖 12 四種情境資訊相似度的模糊歸屬函數

而在模糊規則的部份，由於有四個輸入變 數，其分別為話題相似度 、廣告熱門相似度

、個人偏好相似度 和廣告案例相似度

，因此總共有 條模糊規則，但是在本研 究的實際應用上，將只取較為重要的七條規則 來使用，如

St p

Sh S

Sc 4⁴

表 4所示，定義了每條規則的可適 用度(權重值W_i)。

(3) R3

表 4 本研究所定義的模糊規則

R1

If St is high and Sh is high and Sp is high and Sc is high then fi is

100 } , , ,

max{_t _h _p _c 

R2

If St is high and Sh is high then fi is 100

} , max{_t _h 

R3

If is high and is high then fi

is Sp

max{

Sc

100 } , _c 

P 



R₄ If S_t is high then fi is



_t(y)100

R5

If S_h is high then fi is _h(y)100

R6

If S_p is high then f_i is _p(y)100

R₇ If S_c is high then fi is _c(y)100

R3的規則主要著重在長期情境資訊上，相 當於使用者的長期偏好，它代表個人偏好相似 度和廣告案例相似度都很高的情況，這意味著 長期情境資訊適合度較高，因此將取個人偏好 和廣告案例的情境資訊歸屬程度之最大值當 作可適用度，即 R3的權重値。

(4) R4

R4 的規則是以交談話題相似度為衡量的 基準，它代表只有交談話題的相似度為很高的 情況，所以將以交談話題的情境資訊歸屬程度 當作可適用度，即 R4的權重値。

(5) R5

R5 的規則主要是以廣告的熱門程度做為 給分的依據，它代表只有廣告熱門相似度為很 高的情況，所以將以廣告熱門的情境資訊歸屬 程度當作可適用度，即 R5的權重値。

(6) R6

R6的規則只關注在使用者本身的偏好，它 代表只有個人偏好相似度為很高的情況，所以 將以個人偏好的情境資訊歸屬程度當作可適 用度，即 R6的權重値。

每一條模糊規則都有實質的物理意義，其解釋 如下：

(1) R1 (7) R7

R1 的規則是代表四種情境資訊相似度都 屬於很高的情況，因為滿足了所有的條件，即 話題相似度 、廣告熱門相似度 、個人偏 好相似度 和廣告案例相似度S ，所以將取 四種情境資訊歸屬程度裡面最高的數值當作 R1的可適用度，即 R1的權重値。

t p

R7 的規則只有根據過去相似的案例來進 行評比，它代表只有廣告案例相似度為很高的 情況，所以將以廣告案例的情境資訊歸屬程度 當作可適用度，即 R7的權重値。

S S

S

h c

最後，經由模糊推論引擎的推理，透過公式(13)







 _n i

i n

i i i

j

w w f Ad

Grade

1

) 1

(

(13) (2) R2

R2的規則是以短期情境資訊為主，也就是 比較關注在使用者的短期偏好，它代表交談話 題相似度及廣告熱門相似度都很高的情況，因 此將取交談話題和廣告熱門的情境資訊歸屬

程度之最大值當作可適用度，即 R2的權重値。 算出每一個廣告 的分數，然後再利用分數門 檻值的設定篩選分數較高的廣告進行排序，並 且依據分數的高低推薦給使用者。其中 代表 規則 的權重值， 是規則i給予的分數，n 是 規則的總數。

wi

i f_i

3.4 實例說明

表 5 廣告的熱門相似度 為了驗證本研究所提出的智慧型推薦系

統具有可行性，本節將以例子進行說明。首 先，當使用者進行開始交談之後，情境資訊擷 取模組會從適當的時機點來擷取對話的情境 內容，並且傳送至CKIP做斷詞的處理，接下 來，則根據表 2的詞彙重組規則和表 3的重要 詞性，先進行詞彙的重組然後只留下重要詞性 的詞彙，最後，透過關鍵字的頻率便能取得交 談話題的關鍵字組。假設所找到的關鍵字組為 T={二手交易、跳蚤市場、便宜}，接下來透 過專家知識本體的概念延伸便能組成情境資 訊的延伸概念組為 T ={二手交易、跳蚤市 場、便宜、特價、電腦、隨身聽、買賣專區、

鐘表器材}。假設廣告資料庫裡有七個廣告，

如表 4 所示，每個廣告都有相對應的延伸概念 組，因此我們可利用公式(6)來計算交談話題相 似 度 ， 計 算 結 果 分 別 為 ( )=0.2 ( )=0 、 ( )=0.4 、 ( )=0.1 、 ( )=0.6、 ( )=0 及 ( )=0.8。接下 來，系統也將分析每個廣告的點閱次數，並經 由公式(7)算出廣告熱門相似度，因此可得廣告 的 熱 門 相 似 度 分 別 為 ( )=0.8 、

( )=0、 ( )=0.5、 ( )=0.1、

( )=0.6、 ( )=1 及 ( )=0.4。

St

St

t Ad

Sh

Sh

Ad Ad1

Ad4 7

Ad1

Ad4

St

Sh 2

5

Ad

5

Ad Ad

Sh

Ad

St

St

Sh

Sh

Ad3

Ad6

Ad3

Ad6

S

Sh 2

7

廣告的延伸概念組 A 點閱 次數 ^h

S

Ad1 生活用品, 禮品, 美容

用品, 便宜, 特價 ^{18 0.8} Ad2 鞋子, 氣墊鞋, 皮鞋,

運動鞋 ^{12 0}

Ad3 拍賣, 競標, 便宜, 電 子產品, 鐘表器材, 買 賣專區, 二手交易

16 0.5

Ad4 化妝品, 保養品, 乳

液, 特價 13 0.1 Ad5 電腦, 買賣專區, 二手

交易, 線上購物, 便 宜,跳蚤市場

17 0.6

Ad6 火鍋, 燒烤, 美食

20 1 Ad7 二手交易, 便宜, 隨身

聽, 電腦, 買賣專區, 鐘錶器材

15 0.4

當取得了短期情境資訊的相似度之後，同 樣的，系統也會計算長期情境資訊的相似度，

首先，在個人偏好的部分，系統將根據廣告的 延伸概念組所包含的概念，來查詢概念在個人 化知識本體裡的偏好度，假設使用者的個人化 知識本體如圖 3 所示，經由公式(10)的計算之 後，即可得到廣告的個人偏好相似度，結果分 別 為 ( )=0.9 、 ( )=0 、 ( )=0.8 、 ( )=0.9 、 ( )=0.8 、

( )=0.9 及 ( )=0.8。

Sp

Ad6

Ad1

Sp

Sp Ad₂ Sp

Sp

Ad3

Sp

Ad4 p

Ad5

S Ad₇

5.2 7.1 3

購物

線上購物 特價 相機 電腦 便宜 美食

6.5 7.5

3.7 6.8

二手交易 商圈 跳蚤市場

2.8

2 1.5

圖 13 使用者的個人化知識本體

而在廣告案例的部分，系統將參考過去曾 經推薦過的廣告，利用公式(11)比對目前的交 談話題T與曾經接受的廣告所相對應的話題 TA之間的相似度，然後再透過公式(12)算出每 個廣告的案例相似度，如表 6所示，因此可得 廣 告 案 例 相 似 度 分 別 為 ( )=0 、

( )=0、 ( )=0.1、 ( )=0.1、

( ₅)=0.6、 ( )=0 及 ( )=0.2。

Sc Ad₁ S_c

Ad2

Ad

Sc

Sc

Ad3

Ad

Sc

Sc

Ad4

Ad7

Sc 6

表 6 廣告與過去案例的情境資訊相似度

廣告過去所對應的交談話題 TA Sc

Ad1 保養品, 香水, 生活用品, 禮品, 美容用品, 線上購物 ₀

Ad2 鞋子, 耐穿, 皮鞋 ₀

Ad3 便宜, 拍賣, 競標, 線上購物, 手機 _0.1

Ad4 化妝品, 保養品, 特價 _0.1

Ad5 便宜, 特價, 電腦, 買賣專區, 二手交易 _0.6

Ad6 火鍋, 美食, 聚餐, 牛排, 簡餐 ₀

Ad7 電腦, 印表機, 便宜, 耐用, 掃瞄 _0.2

表 7為所有廣告所對應的情境資訊相似 度，接下來，情境運算模組將透過圖 12的模 糊歸屬函數進行模糊化，將情境資訊相似度轉 換成高相似的歸屬程度，如表 8所示，分別可 以得到交談話題歸屬程度(Topic Membership Degree, TMD) 、 廣 告 熱 門 歸 屬 程 度 (Hot Advertising Membership Degree, HAMD)、個人 偏 好 歸 屬 程 度 (Personal Interest Membership Degree, PIMD) 以 及 廣 告 案 例 歸 屬 程 度 (Advertising Case Membership Degree, ACMD)。最後，依據表 4的模糊規則和公式 (13)，模糊推論引擎就能對每個廣告打分數，

其分別為：

3 . 0 91

9 . 0 8 . 0 2 . 0 0 2 . 0 2 . 0

0 0 9 . 0 100 8 . 0 100 2 . 0 0 0 100 2 . 0 100 2 . 0 ) 100

( ₁ 





































  Ad Grade

0 ) (Ad2  Grade

1 50 . 0 8 . 0 5 . 0 4 . 0 1 . 0 0 1 . 0

1 . 0 0 8 . 0 100 5 . 0 0 4 . 0 0 1 . 0 100 4 . 0 0 1 . 0 ) 100

( ₃ 





































  Ad Grade

33 . 1 73

. 0 9 . 0 1 . 0 1 . 0 1 . 0 1 . 0 1 . 0

1 . 0 0 9 . 0 100 1 . 0 0 1 . 0 0 1 . 0 100 1 . 0 0 1 . 0 ) 100

( ₄ 





































  Ad Grade

72 .

72 6

. 0 8 . 0 6 . 0 6 . 0 6 . 0 6 . 0 6 .

0   

6 . 0 50 8 . 0 100 6 . 0 50 6 . 0 50 6 . 0 100 6 . 0 50 6 . 0 ) 100

( 5   

























  Ad Grade

0 100 9 . 0 1 0 0 0 0

0 0 9 . 0 100 1 100 0 0 0 100 0 100 0 ) 100

( ₆ 





































  Ad Grade

2 80 . 0 8 . 0 4 . 0 8 . 0 2 . 0 4 . 0 2 . 0

2 . 0 0 8 . 0 100 4 . 0 0 8 . 0 100 2 . 0 100 4 . 0 100 2 . 0 ) 100

( ₇ 





































  Ad Grade

根據以上結果，可以使用分數門檻值的方式來 篩選廣告，例如將廣告分數門檻值設為 80，此

時 、 和 三個廣告均符合條件，因此 系統可以根據分數高低依序推薦 、 及

給使用者。從推薦結果來看，可以發現 與 的延伸概念組與交談話題的延伸概念組 看似無關，這是因為系統也分析了個人化知識 本體與目前最熱門的廣告，個人化知識本體為 長期情境的一部分，代表著使用者長期以來的 興趣；熱門的廣告則代表著被大部分的使用者 所喜歡，所以使用者本身對於 與 還是有 著相當程度的興趣。若使用者希望系統推薦的 廣告比較偏向於交談話題，這時我們可以透過 調整情境資訊相似度的模糊歸屬函數來改變 推薦的結果與順序。

Ad1

7

Ad1

Ad6 Ad7

Ad6

Ad Ad1

Ad Ad₆

Ad6 ₁

表 7 廣告所對應的情境資訊相似度 St S_h S_p S_c Ad1 0.2 0.8 0.9 0

Ad2 ^{0 0 0 0}

Ad3 0.4 0.5 0.8 0.1 Ad4 0.1 0.1 0.9 0.1 Ad5 0.6 0.6 0.8 0.6 Ad6 ^{0 1 0.9 0}

Ad7 0.8 0.4 0.8 0.2 表 8 廣告的情境資訊在高相似的歸屬程度

) ( _t

high S

 high⁽Sh⁾ _high(S_P) _high(S_c)

Ad1 0 1 1 0

Ad2 0 0 0 0

Ad3 0 0 1 0

Ad4 0 0 1 0

Ad5 0.5 0.5 1 0.5

Ad6 0 1 1 0

Ad7 1 0 1 0

4. 實驗與評估

4.1 實驗環境

本研究實作之系統與設備如下所示：

電 腦 平 台 ： AMD athlon(tm) 64X2 Dual 、 1.99GHz、RAM 896MB。

作業系統：Windows XP。

工 具 ： PHP5 、 Protégé 3.4.4(http://protege.stanford.edu/) 、 CKIP(http://ckipsvr.iis.sinica.edu.tw/)。

資料庫：MySQL。

4.2 專家知識本體之建置

本推薦系統是以購物的分類來做為推薦 的範疇，因此我們採用了Yahoo! Directory[22]

的購物分類做為建置專家知識本體的依據，並 且透過Protégé來進行建置。Protégé 是由史丹 福大學以JAVA為基礎所開發出來的知識本體 編輯器，此軟體是以自由軟體(Open Source)的 方式分享給需要的使用者，是目前最廣泛使用 的知識本體編輯器。但由於Protégé 只是建置 Ontology 的工具，因此無法對知識本體進行分

析與查詢，所以必須把知識本體轉換到資料庫 或者是其他能夠讓電腦理解的格式。因此，透 過 Protégé 將 知 識 本 體 建 置 完 成 後 ， 將 藉 由 Protégé內建的轉換功能把本體轉換到MySQL 資料庫上，以便進行存取，如圖 14所示。

圖 14專家知識本體轉換成資料庫的格式

4.3 系統介面

本研究使用PHP 程式語言來撰寫系統的 平台，圖 15為系統的首頁，使用者可在此選 擇進行註冊或是登入。而當使用者經由登入之 後即可進入交談平台，圖 16所示，左邊黃色 框線的部份為在線會員的狀態資訊，透過狀態 資訊可以了解目前的在線人數，而中間的部份 主 要 是 用 來 讓 使 用 者 進 行 訊 息 的 傳 遞 與 交 換；另外，右邊紅色框線的部份則是廣告推薦 區，這些廣告可以根據使用者的話題或者是個 人的興趣來推薦相關的廣告給使用者。

圖 15 系統首頁

圖 16 交談平台

4.4 實驗設計 4.5 實驗結果與分析

在實驗的過程中，本研究發現了廣告的平 均分數有偏低的情形，這樣可能造成廣告與使 用者的話題或是興趣相關，但卻因廣告分數門 檻值設置的太高而沒有被推薦到。因此，在歸 屬函數的部分，本研究針對了每種情境資訊相 似度進行調整，如圖 23 所示，在話題相似度 的部分，定義其相似度屬於高相似的區間為 0.08~0.12、廣告熱門相似度屬於高相似的區間 為 0.2~0.3、個人偏好相似度屬於高相似的區間 為 0.2~0.3 以及廣告案例相似度屬於高相似的 區間為 0.1~0.2。

在本小節，將介紹實驗的目的與流程。首 先，本實驗的目的主要是用來衡量本研究所提 出的推薦方法在廣告點閱率上的改善效果；在 方法的比較上，將與傳統的廣告推薦進行比 較，所謂的傳統推薦是指以隨機的方式來推薦 廣告給使用者，這種方式所推薦出來的廣告通 常並非使用者所感興趣的，但是現今的網路廣 告 普 遍 還 是 採 用 此 方 式 來 進 行 推 薦 ， 例 如 Windows Live Message、YouTube等平台。因 此，本研究將以傳統廣告推薦做為對照組，也 就是一般的隨機推薦；而另一方面，在實驗組 的 部 分 則 為 本 研 究 所 提 出 的 個 人 化 廣 告 推 薦，此兩種推薦方法將同時進行，並且從中去 比較兩者的廣告點閱率，藉此分析廣告點閱率 的改善結果。

接下來，在實驗流程的部份，本研究先利 用了YAHOO!所提供的關鍵字廣告[23]從中收 集 100 個廣告到廣告資料庫裡，並且定義了每 一個廣告的相關資訊，如圖 17所示，包含了 廣告的關鍵字、廣告的標題、廣告的網址以及 廣告圖片等。

0 0.08

0.5 1

t

St high

0.12 0 0.2

0.5 1

h

Sh high

0.3

0 0.1

0.5 1

c

Sc high

0.2

0 0.2

0.5 1

p

Sp high

0.3

圖 18 調整過後的歸屬函數

由圖 18的四種情境資訊相似度可以看到話題 相似度的歸屬函數設置相較於其他相似度來 的低，本研究在經由實驗之後發現其中的可能 原因與限制如下：

圖 17 廣告資料庫之部分廣告

在收集完足夠的網路廣告之後，本研究找 了 14 位使用者到交談平台上進行互動，然後 紀錄每位使用者的對話紀錄、點閱紀錄等資 訊，藉此分析使用者的個人偏好。系統在運作 的過程中，每經過一段時間就會擷取最近所交 談的對話內容進行分析，例如系統每隔 10 秒 就會擷取最近交談的 300 個字，並且以亂數的 方式來決定該次推薦的方式，例如 true 代表個 人化推薦，而 false 則代表傳統推薦。另一方 面，為了避免兩者的推薦次數落差太大而造成 不公平的情形，所以當同一種推薦方式連續推 薦達 2 次時，此時系統就會直接採取另一種推 薦方式，然後再繼續以亂數的方式來決定推薦 的方式，如此便能考慮到實驗的公平性。

(1)詞彙重組之誤判

中文字在斷詞的處理上是一件很困難的 事情，尤其是在專有名詞的判定上，雖然目前 已有專門處理中文內容的斷詞系統(CKIP)，但 依舊可能產生誤判的情形，所以必須再經由詞 彙的重組來進行合併。

本研究採用了Lee等學者所提出的合併規 則[40]，並且依據應用上的需求將規則進行修 改，然後只採取較適用的部分規則；但是，經 由實驗之後發現仍然可能產生誤判，例如 圖 19之舉例，「線上購物」和「購物中心」兩個 專有名詞經由CKIP的斷詞之，分別拆解成「線 上」、「購物」以及「購物」、「中心」；因此，

詞彙重組的誤判不僅會影響到系統在延伸概 念組的上分析，也將影響話題相似度的高低。

(3)專家知識本體的完整性

本研究透過了專家知識本體來進行交談話題 的概念延伸，因此專家知識本體的完整性若不 足將可能造成部分的詞彙無法進行概念的延 伸，而且也將影響到交談話題相似度的高低。

圖 19 斷詞之誤判(列舉)

(2)同義字典的完整性 本系統在經由 14 位使用者的實驗之後，

所得到的實驗數據如表 9 所示，其中，傳統推 薦次數和個人化推薦次數分別為 2818 次，因 此總推薦次數為 5636 次，時間門檻值為 10 秒，字元數門檻值為 300 個字元，詞彙頻率門 檻值為 2，傳統推薦的點閱率為 0.032，個人化 推薦的點閱率為 0.035，因此整體的廣告點閱 率提升了 0.109。

同義字的轉換在詞彙的分析上是一個必 經的步驟，因為每一個使用者的用詞可能都不 一樣，所以同義字的轉換能夠幫助系統在交談 話題上的分析。然而，同義字轉換必須參考到 同義字典，因此若同義字典不夠完整，將無法 有效進行詞彙的轉換。

表 9 實驗數據

傳統廣告推薦 個人化廣告推薦

推薦次數 2818 2818

點閱次數 91 101

點閱成功率 0.0322924059617 0.0358410220014 點閱率提升 0.10989010989

時間門檻值 10 秒

字元數門檻值 300 個

詞彙頻率門檻值 2

根據圖 25 的點閱率改善結果顯示，本研究所 提出的方法確實可以改善廣告點閱率，雖然改 善的幅度並沒有非常的顯著，但是可以證明本 研究所提出的方法能夠應用在中文廣告的個 人化推薦上。除了對於廣告的點閱率進行測 試，本研究也從中去找出實驗結果的相關影響 因素，最後發現主要的可能原因與限制如下：

(1)重複推薦

由於本實驗是隨機推薦和個人化推薦同 時進行，因此隨機推薦會一直推薦各式各樣的 廣告，所以優點在於多樣化；而本研究所提出 的個人化推薦因為是根據使用者們的短期 偏好或是長期偏好來進行推薦，所以只推 薦分數較高的廣告給使用者，這樣可能導 致重複推薦的情形。

雖然本研究已針對此缺點進行改善，例如設置 了避免同樣廣告出現過多的機制，系統設定同 一個廣告連續推薦次數不得超過兩次，若超過 兩次將跳過此廣告然後直接推薦下一個分數

較高的廣告，或是當分數都不足門檻值時將直 接採用隨機的分式來推薦廣告，然後直到經過 時間門檻值，如每 10 分鐘又重新計算同一個 廣告的推薦次數。然而，這樣的改善效果依舊 有限，因此使用者還是可能因為廣告的重複推 薦而失去興趣，所以重複推薦為本研究的限制 之一。

(2)推薦的範圍和廣告的數量

雖然本研究已經將推薦範圍限制在購物 的領域，但是使用者在互動的過程中還是會談 論到各式各樣的話題，因此若廣告的延伸概念 組沒有相關的概念或是廣告資料庫裡沒有相 關的廣告的時候，將無法推薦相關的廣告給使 用者。

(3)使用者隨意點選廣告

本研究在實驗的過程中，並沒有辦法規定 使用者一定要點閱自己所感興趣的廣告，因此 使用者在交談平台上進行互動的時候，可能隨

意的點閱廣告，這將影響到廣告點閱率的分 析。

0.03 0.032 0.034 0.036

傳統推薦 個人化推薦

廣告點閱率

廣告點閱率

圖 20 廣告點閱率之改善結果 參考文獻 5. 結論與未來工作

本研究發展了一個以情境感知為基礎的個 人化中文廣告推薦系統，透過情境感知的技術 來取得短期情境及長期情境的情境資訊，並且 在蒐集和分析情境資訊的過程中，加入了個人 化知識本體及案例式推理的概念，透過個人化 知識本體來了解使用者的偏好變化。另一方 面，本研究也運用案例式推理來找出過去相關 的案例，並將這些案例納入情境資訊的一部 分。此外，本研究所提出的個人化廣告推薦改 善了傳統廣告推薦的缺點，能夠針對使用者的 目前的需求或是個人的興趣來進行推薦。根據 實驗的結果證明，本研究所提出的方法確實能 夠應用在中文廣告的個人化推薦上，並且可以 改善傳統廣告推薦的點閱率。因此廣告主不僅 可以獲得較佳的廣告效益，使用者也可以看到 有興趣的廣告，進而達到使用者與廣告主雙贏 的局面。

在未來研究中，本研究將進一步探討各參 數對於廣告點閱率的影響，例如擷取對話內容 的時機點、詞彙頻率門檻值等，藉此獲得更佳 的廣告點閱率。此外，在專家知識本體的部 份，若能有更完整的參考建置依據，將可以更 有效的幫助系統進行概念的分析。

[1] Addis, A., Armano, G. and Vargiu, E.,

“Profiling Users to Perform Contextual Advertising,” Proceedings of the 10th Workshop dagli Oggetti agli Agenti, pp. 9-10, 2009.

[2] Carmichael, D. J., Kay, J., and Kummerfeld, B., “Personal Ontologies for Feature Selection in Intelligent Environment Visualisations,”

Proceedings of the Workshop on Artificial Intelligence in Mobile Systems, pp. 44-51.

[3] Chaffee, J. and Gauch. S., “Personal Ontologies for Web Navigation,”

Proceedings of the 9th International Conference on Information Knowledge Management (CIKM), pp. 227-234, 2000.

[4] Chen, C. L., “Partially Constructed Knowledge for Semantic Query,” Master Thesis, Department and Graduate Institute of Science in Engineering Science, 2007.

[5] Chen, H., Finin, T., Joshi, A., Kagal, L., Perich, F., and Chakraborty, D., “Intelligent Agents Meet the Semantic Web in Smart Spaces,” IEEE Internet Computing, Vol. 8, No. 6, pp. 69-79, 2004.

[6] Deane, J. and Pathak, M., “Ontological Analysis of Web Surf History to Maximize the Click-through Probability of Web Advertisements,” Decision Support Systems, Vol. 47, No. 4, pp. 364-373, 2009.

[7] Garofalakis, J. and Giannakoudi, T.,

“Exploiting Ontologies for Web Search Personalization,” Web Personalization in Intelligent Environments, Vol. 229, pp. 49-54, 2009.