第四章 第四章 第四章

第四章 第四章 第四章

第四章 實驗過程與結果 實驗過程與結果 實驗過程與結果 實驗過程與結果

為了驗證所提出的預測模型之準確性，我們根據大學課程網網站架 構，以隨機（Random）的方式來產生代表網站瀏覽者複雜行為的記錄檔。

該網站總共有50頁左右不同的網頁，依循這個架構，我們根據資料庫裏的 路徑資料庫再隨機產生2000筆已經由前處理過的使用者瀏覽模式，其中每 一筆的長度為10頁，若超過10頁的使用者行為模式，我們一律將這些行為 模式依每個10頁的長度取出，不足10頁部份則捨去不用。

4.1 資料來源選定資料來源選定資料來源選定 資料來源選定

在實驗中，我們以90%，約1800 筆的使用者行為區段資料，做為我 們的訓練模式（Training Pattern）用來建立我們的預測模型，而剩下的10%，

約200 筆的使用者行為區段資料則用來作為測試模式（Testing Pattern）來 測試我們建立的預測模型的正確性。然而，就實際的運作而言，利用網站 歷史存取紀錄(Log Database)建立預測模型時，必須先對原始的網站記錄資 料，根據本身的需求進行資料前處理(Data Preprocessing)，取出有意義的使 用者行為區段後，再以我們所提出的預測模型建構階段的各個步驟與方 法建立預測模型。如前所述，我們設計的即是假設已經經過前處理完畢的 資料。

4.2 實驗過程實驗過程實驗過程 實驗過程

為了讓我們測試的結果更具可信度，我們利用交叉驗證中，10-fold 的 方式，來反覆測試我們的模型，並取實驗的平均值來解說我們模型的可靠

的網站歷史紀錄，也就是訓練模式，依此方式共做10 次，也就是讓每份 資料都有機會當測試模式，不會讓某些模式只當訓練模式，而有所偏差以 致影響了整個模型的正確度，或者影響模型準確度的公信力。

如上所述，我們在建立預測模型的階段中，利用1800 筆歷史使用者 行為區段的前置部份（Prefix），以模式發掘的方式找出具代表性的行為模 式，整合所屬的後置行為區段做預測模式集，用來建立我們的預測模型。

首先，我們先將每一筆測試模式(Testing Pattern)分為兩段，前段為新 使用者已瀏覽過的頁面，稱為瀏覽模式，而後段則為使用者在我們預測後 所瀏覽的頁面，稱為驗證模式。然後，分別將2000 筆的瀏覽模式利用所 提出的預測模組進行預測，先以相似度計算從預測模式中選出相似度在門 檻值以上的參考模式(Reference Pattern)以產生預測模組，最後再利用 Petri-net所對應的預測結果，評量方式中的兩項指標對驗證模式與預測結果 的序列，以頁面正確率進行評量，觀察預測系統預測的準確度。

4.3 實驗結果實驗結果實驗結果 實驗結果

圖 4-1 使用者經過 T2、T6 觸發後的狀態路徑圖 (資料來源:本研究自行整理)

以圖 4-1 使用者進入簡易查詢網頁路徑來分析，經過觸發後的狀態 Ｍk = Mi〔S﹥= Mi＋S．D [26]其中 D 為轉化控制矩陣，若我們假設 Mi = ﹝0，1，0，0，0，0，0﹞

S = ﹝0，1，0，0，0，1，0，0，0﹞

D^－=













































0 1 0 0 0 0 0 9

0 0 1 0 0 0 0 8

0 0 0 1 0 0 0 7

0 0 0 0 1 0 0 6

0 0 0 0 0 1 0 5

0 0 0 0 0 1 0 4

0 0 0 0 0 1 0 3

0 0 0 0 0 1 0 2

0 0 0 0 0 0 1 1

14 13 12 11

T T T T T T T T T

PX PI PI PI PI PI PA

D^＋=





















































1 0 0 0 0 0 0 9

1 0 0 0 0 0 0 8

1 0 0 0 0 0 0 7

1 0 0 0 0 0 0 6

0 1 0 0 0 0 0 5

0 0 1 0 0 0 0 4

0 0 0 1 0 0 0 3

0 0 0 0 1 0 0 2

0 0 0 0 0 1 0 1

14 13 12 11

T T T T T T T T T

PX PI PI PI PI PI PA

D = D^＋－D^－ =













































−

−

−

−

−

−

−

−

−

1 1 0 0 0 0 0 9

1 0 1 0 0 0 0 8

1 0 0 1 0 0 0 7

1 0 0 0 1 0 0 6

0 1 0 0 0 1 0 5

0 0 1 0 0 1 0 4

0 0 0 1 0 1 0 3

0 0 0 0 1 1 0 2

0 0 0 0 0 1 1 1

14 13 12 11

T T T T T T T T T

PX PI PI PI PI PI PA

在轉換矩陣 D 的橫軸代表網頁狀態，而縱軸代表控制觸發按鈕或選 項，-1 值代表 T 與 P 之間輸出結果，反之 1 值則 T 與 P 之間輸入結果，而 0 值代表無關連。經過觸發後的狀態為 Mk2

Mk₂ = Mi + S．D

=﹝0，1，0，0，0，0，0﹞+﹝0，1，0，0，0，1，0，0，0﹞．D

=﹝0，1，0，0，0，0，0﹞+﹝0，-1，0，0，0，0，1﹞

=﹝0，0，0，0，0，0，1﹞

由以上可知，即是滿足T2、T6的轉換之後，系統已由狀態P1轉變至Px，

Mk可作為系統紀錄最後的網頁狀態。本研究以資料探勘及Petri-net方法來 建立預測模組，以Petri-net描述每一條規則所對應的動態行為細節，可將之 轉換成預測模型回應動作。

根據第三章的概念，對於網路服務組合Petri-net模型的性質將採用 Incidence Matrix and State Equation分析方法驗證。經由此分析方法傳送進 來的Petri-net模型物件參數，透過上述的演算法可以分別建構出Incidence Matrix and State Equation方法所需要的輸入矩陣D^－和輸出矩陣D^＋，運用 Matlab工具將相對應的預測動作轉成程式碼，將此預測動作自動模組化。

表4-1、4-2、4-3為預測模型所建立矩陣的演算法。藉由實作D= D^＋−D^－ 運 算式的演算法如表4-3 所示，建構出系統模型矩陣D。

表4-1 輸入矩陣D^－建構演算法

(資料來源:本研究自行整理)

表4-2 輸出矩陣D^＋建構演算法

(資料來源:本研究自行整理) 表4-3 系統模型矩陣D建構演算法

(資料來源:本研究自行整理)

我們將所上述的轉換控制矩陣法演算法輸入到Artifex這套軟體，它是 一套根據Petri-net理論架構所組成的模擬設計軟體。Artifex利用圖型化的程 式語言(C語言、Matlab)，能夠描繪出網路系統的動態。

圖4-2 Artifex模擬畫面 (資料來源:本研究自行整理)

圖4-2為運用Artifex軟體所模擬的畫面，首先選取Petri-net的模型種類，

選取Petri-net的屬性，接著輸入狀態控制矩陣演算法(表4-1、4-2、4-3)到每 一條路徑所對應的動作，建立對應動作的規則庫，所模擬的結果實驗後可 得到簡化後的網路流程組合。圖4-3所示，我們將此網路服組合簡化前後四 條執行路徑的流程傳輸次數整理成表4-4，從表中可以發現，除了第一條路 徑之外，無論是執行路徑中的那一條，簡化後的傳輸次數必定會比簡化前 來的少。然而這僅是一個簡單的網路服務組合，對於企業實際應用的網路 服務組合來說，其流程設計的複雜度必定高於此實驗好幾倍，因此經過簡 化後所能夠減少的傳輸次數必定更多。從以上的範例驗證能夠看出，藉由 流程的簡化而減少網路傳輸次數將能提升網路服務組合的執行效能。

選取 Petri-net 模型種類

輸入 Petri-net

屬性

圖4-3 網頁簡化後傳輸路徑次數圖 (資料來源:本研究自行整理)

表4-4 網頁簡化前後傳輸次數比較表

傳輸次數 簡化前

(圖4-1)

簡化後 (圖4-3) 路徑ㄧ (PA→PI→PI11) 3 3 路徑二 (PA→PI →PI₁₁→PI₁₃) 6 5 路徑三 (PA→PI →PI₁₁→PI₁₃→PI₁₄) 9 7 路徑四 (PA→PI →PI11→PI₁₃→PI₁₄→PI₁₂) 12 9

(資料來源:本研究自行整理)

我們的實驗結果將比較在不同長度的比對模式(Match Pattern)下，各個 相似度門檻值(θ )時，預測結果的頁面正確率(α )。以下我們就θ= 1, 2 ,3的 情形進行實驗。

我們提出的頁面正確率公式如下：α=

length count

[26]，其中count代表以 測試模式(Testing Pattern)中的比對模式所預測的結果，與測試模式的後置 行為模式相同的頁面數。而length表示測試模式中後置行為模式長度。例 如 ： T 為 測 試 模 式 中 的 驗 證 模 式 ， N 為 預 測 模 型 預 測 的 結 果 ， 若 T={ABCDE}，N={ACIDJ}，則α =3/5。表4-5為預測系統的準確度。

我們定義θ為頁面比對數，若θ設為1 時，表示至少一個頁面被比對 到。當θ設為2 時，表示瀏覽模式與比對模式至少吻合兩頁。當θ設為3 時，

表示排除只有前二頁比對到的所有狀況，而包含至少三頁有比對到的情 況。

表4-5 預測系統的準確度表格 相似度 PI11 PI13 PI14 PI12

θ=0 71% 60% 44% 12%

θ=1 X 73% 62% 46%

θ=2 X X 74% 57%

θ=3 X X X 80%

(資料來源:本研究自行整理)

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

θ=0 θ=1 θ=2 θ=3

PI11 PI13 PI14 PI12

圖4-4 預測系統的準確度圖形

表4-5為在θ=0、1、2、3時，預測系統的準確度。我們可以知道使用者 越後面的瀏覽行為與比對模式的相似度越高則預測確度較高。所以，由表 可知我們的預測系統在比對模式長度為3時，準確度最高。

本篇論文中所提出的預測模型，確實可以提供我們做為預測的基礎。

Petri-net是取相似度門檻值之上的預測模式做預測，而單一預測則是取相似 度最高的預測模式做預測，可驗證本篇論文所提以Petri-net預測網路使用者 路徑確實能符合我們的預測。因此，可以證明加入Petri-net預測方式的確比 只用單一比對的方式更適合運用在預測網路使用者瀏覽路徑。

一般都是以瀏覽頁面的相似度來預測使用者的瀏覽路徑，而我們則是

提出 Petri-net 來做預測。在預測網路使用者瀏覽路徑時，驗證本篇論文所 提出來之預測方法確實可行。而預測模組所預測的位置順序為 PI11、PI13、 PI₁₄、PI₁₂，與實際網頁的架構不同。預測系統能夠做預先處理，藉此改善 網頁架構，由此可證明，本篇論文提出的以 Petri-net 建立網路使用者預測

以下將以本研究所提出的網路服務組合塑模驗證及簡化的三個階段 為基準，比較其他相關研究在每個階段是否有提出進行方法以及所提出的 做法為何。從表4-6的比較可以發現，其他相關研究並未提出每階段的實際 做法，大多僅是針對其中的一個或兩個階段提出方法。只有本研究完整的 針對三個階段提出方法並且建立一個Petri-net為架構的預測模組實現網路 服務塑模驗證及簡化的三階段。

表4-6 研究成果比較表 網路服務塑

網路服務塑 網路服務塑 網路服務塑 模

模 模

模、、、、驗證及驗證及驗證及驗證及 簡化三階段 簡化三階段 簡化三階段 簡化三階段

Buhler

&

Vidal (2003)

Hamadi

&

Benatallah (2003)

Yi

&

Kochut (2004)

本研究 本研究 本研究 本研究

塑模 塑模 塑模

塑模 設計

BPEL4WS 標籤和Petri- net模型的轉 換方式完成塑 模

提出數種網 路服務組合 以Petri-net 塑模的方式

設計 BPEL4WS 文件CP-net 模型轉換

提出以 Petri -net塑模方式 建立預測模型，

並加入轉換控制 矩陣作預測 驗證

驗證 驗證

驗證 無 無 有 有

簡化 簡化 簡化

簡化 無 提出網路服 務組合的轉 換規則但是 轉換前後並 未達到簡化 的目的

無 有(參照表4-4)

(資料來源:本研究自行整理)