中 華 大 學

中 華 大 學 碩 士 論 文

題目：適地性與適性化的智慧型行動裝置 租屋推薦系統

An adaptive location - aware mobile Recommender system of tenancy

系 所 別：資訊管理學系碩士班 學號姓名：M09610002 陳世泓 指導教授：施雅月 博士

中 華 民 國 九十八 年 八 月

適地性與適性化的智慧型行動裝置租屋推薦系統

學生：陳世泓 指導教授：施雅月 博士 中華大學資訊管理學系碩士班

摘要

隨著無線網路環境的發展，房仲業者的行銷方式漸漸由傳統的郵寄或送發傳 單的方式，轉變為透過行動商務技術來提供顧客不受地形阻礙且更即時的資訊。

雖然無線網路瀏覽的服務提供了使用者多元及多樣化的互動及資訊，卻也產生了 大量的資訊並造成資訊超載的現象，因而需要推薦系統來解決此問題。

本研究藉由問卷的發放找出 20 個使用者偏好指標，並作為群集分析的依 據，另一方面，亦結合全球衛星定位系統(Global Positioning System；GPS)的定 位功能來設計出一套適地化與適性化的智慧型行動裝置租屋推薦系統。本研究提 出三種推薦方式：在不考量偏好指標的情況下藉由 GPS 定位系統運算房屋及定 位點之間的距離遠近，推薦距離較近的房屋；單從偏好指標作為考量，找出符合 使用者偏好指標設定的租屋資訊呈現給使用者以及根據使用者偏好為主進行分 群的交互推薦方式。

本研究期望三種推薦機制的推薦結果，能減輕使用者在瀏覽時可能因過多且 不精確的資訊所必須承受的負擔以及時間，同時為了瞭解使用者使用行動租屋推 薦系統之後的感受，本研究另進行使用者滿意度的評估。其研究對象係以中華大 學校區附近的使用者為主，有效問卷回覆率為 97.96%。從結果中顯示，距離推 薦服務滿意度的模型解釋能力為 36%；偏好推薦服務的滿意度模型解釋能力為 47%；群組推薦服務的滿意度模型解釋能力為 34%。整體而言，偏好推薦服務較 能符合使用者的需要。

關鍵詞：推薦系統、GPS、群集分析、滿意度

An adaptive location-aware mobile recommender system of tenancy Student：Chen, Shih-Hung Advisor：Dr. Shih, Ya-Yueh

Department of Information Management Chung Hua University

Abstract

Because of the wireless developed, the marketing of the real estate agency generally changed from the mail or handbill to the mobile commerce at any time and any where. Providing several information and interaction, wireless also brings information overloading. Therefore, we use the recommender system to solve this problem. In this study, we find 20 user preferences via the questionnaire and cluster the user preferences. Then, we combine the GPS to design a recommender system of tenancy.

3 recommender systems were proposed in this study, the first is combining GPS and then according to the distance to recommend the appropriate house, the user preference is used to recommend houses to users, finally, user clustering based on preference is used to recommend houses to user.

To evaluate user’s satifaction, a questionair survery was designed to collect user’s opinions. 97 samples of recommender system users were used in this study. The response rate was 97.96%. According to analytical results, the predictive power of distance recommended service satisfaction model is 36%. The predictive power of preference recommended service satisfaction model is 47%. The predictive power of groups recommended service satisfaction model is 34%. We expect that recommender systems could reduce time of searching and information overloading to help users finding an appropriate house immediately.

Keywords: Recommender system, GPS, satisfaction

誌謝

首先得感謝我的指導教授─施雅月老師，在我步入碩士求學生涯時，指引我 一個明確的方向，在我跌跌撞撞，在研究上整理不出一個頭緒時，給我鼓勵、幫 助與指導，使我能產生新的思路，並且費心地檢視我的論文與問卷，力求達到完 美，最後才能完成我的論文。其次要感謝胡建勳老師與吳玫瑩老師，擔任我的口 試委員，給予我明確且寶貴的建議，使我的論文更加的完善，在此致上我最誠摯 的謝意。另外還有小閑與姿秀學姊，費心地幫我校正論文的初稿，並在研究上給 予我許多的建議。還有幫我發放問卷的逸仲、宗民、與鈞毅，若不是你們幫我發 放與回收問卷，那麼我的研究可能不會那麼的順利。

在進入研究所後，我感受到研究生的身分與大學時代時的身分不一樣，因此 在態度上需要經過一番改變與環境的適應，感謝我的父母對我的理解與支持，在 我遇到挫折時給我鼓勵，使我有勇氣面對所有的困難。還有跟我同甘共苦的陳陽 與昭毅，口試幫忙佈置的弘霖、與秉翰，時常來串門子的茂帆、倫睿、紹軒與宗 璞，以及其他許多許多的同學與朋友，謝謝你們的支持與鼓勵，讓我的求學生涯 變得多采多姿，變得更有意義。

經過了兩年的碩士生活，使我成熟許多，也認識了許多的朋友，而今我將邁 向下一個階段，再次感謝我的師長與朋友，謝謝你們的支持與幫助，使我能飛得 更高、更遠。

陳世泓 謹致於中華大學

中華民國九十八年八月

目 錄

摘要...i

Abstract...ii

目 錄... I 圖目錄...III 表目錄...IV 第一章 緒論...1

1.1 研究背景與動機...1

1.2 研究目的...3

1.3 研究對象與範圍...4

1.4 研究流程...4

第二章 文獻探討...6

2.1 推薦系統( Recommendation system )...6

2.1.1 內容導向過濾(Content-based filtering)...10

2.1.2 協同式過濾(Collaborative filtering) ...11

2.1.3 混合式過濾(Hybrid filtering)...14

2.2 群集分析(Clustering) ...15

2.2.1 分割式分群法(Partitional clustering) ...15

2.2.2 階層式分群法(Hierarchical clustering) ...16

2.3 全球定位系統...17

2.3.1 全球衛星定位系統的定位原理...18

2.3.2 全球衛星定位系統的應用...18

2.4 使用者滿意度...19

第三章 研究方法...21

3.1 建立使用者租屋偏好...23

3.2 建立分群模組...25

3.3 系統設計及實作...25

3.3.1 偏好推薦模組...26

3.3.2 群組推薦模組...27

3.3.3 距離推薦模組...27

3.4 滿意度問卷設計...28

3.4.1 滿意度研究模型...28

3.4.2 問卷設計...29

3.4.3 分析方法...31

第四章 研究結果與分析...43

4.1 租屋偏好指標篩選分析...43

4.2 區別分析...48

4.3 系統實作...51

4.4 滿意度問卷分析...57

4.4.1 敘述性統計...57

4.4.2 因素分析...59

4.4.3 信度與效度分析...61

4.4.4 迴歸模型分析...62

第五章 結論及建議...72

5.1 研究結論...72

5.2 未來研究與建議...74

5.3 研究限制...74

參考文獻...75

附錄A：使用者租屋偏好調查問卷...80

附錄B：滿意度問卷...83

附錄C：分群模組六群的群中心...85

附錄D：區別效度 Pearson 相關矩陣表 ...86

圖目錄

圖1-1：研究流程 ...5

圖2-1：協同過濾推薦程序 ...13

圖2-2：樹狀結構圖 ...16

圖3-1：研究架構 ...22

圖3-2：滿意度初步研究模型 ...29

圖3-3：模型一研究假設 ...32

圖3-4：模型二研究假設 ...33

圖3-5：模型三研究假設 ...35

圖3-6：模型四研究假設 ...36

圖3-7：模型五研究假設 ...38

圖3-8：模型六研究假設 ...40

圖4-1：使用者登入畫面 ...52

圖4-2：填寫初使偏好表 ...52

圖4-3：平台功能選單 ...53

圖4-4：使用者端 GPS 回傳...53

圖4-5：GPS 推薦畫面...53

圖4-6：房屋屬性 ...53

圖4-7：指定一個新地點 ...54

圖4-8：選填偏好符合項目 ...54

圖4-9：偏好推薦結果 ...54

圖4-10：群組推薦結果 ...55

圖4-11：填寫修改租屋偏好表 ...55

圖4-12：房屋屬性資訊 ...56

圖4-13：指定新地點搜尋畫面 ...56

圖4-14：模型一的路徑分析圖 ...63

圖4-15：模型二的路徑分析圖 ...64

圖4-16：模型三的路徑分析圖 ...65

圖4-17：模型四的路徑分析圖 ...66

圖4-18：模型五的路徑分析圖 ...68

圖4-19：模型六的路徑分析圖 ...69

表目錄

表2-1：GPS 應用...18 

表2-2：滿意度的定義 ...20 

表3-1：選擇住宿地點的因素 ...23 

表3-2：操作性定義 ...29 

表3-3：研究問項設計 ...30 

表4-1：基本資料 ...44 

表4-2：問卷內容之敘述統計 ...45 

表4-3：使用者個人租屋偏好及元素值 ...47 

表4-4：區別分析分群模組三群分類矩陣表 ...49 

表4-5：區別分析分群模組四群分類矩陣表 ...49 

表4-6：區別分析分群模組五群分類矩陣表 ...50 

表4-7：區別分析分群模組六群分類矩陣表 ...50 

表4-8：區別分析分群模組七群分類矩陣表 ...50 

表4-9：ANOVA 表 ...51 

表4-10：滿意度問卷之基本資料 ...58 

表4-11：滿意度問卷內容之敘述統計 ...58 

表4-12：構面、因素及指標 ...60 

表4-13：因素信度 ...61 

表4-14：區別效度分析表 ...62 

表4-15：模式一路徑假設顯著性結果 ...62 

表4-16：模式二路徑假設顯著性結果 ...63 

表4-17：模式三路徑假設顯著性結果 ...65 

表4-18：模式四路徑假設顯著性結果 ...66 

表4-19：模式五路徑假設顯著性結果 ...67 

表4-20：模式六路徑假設顯著性結果 ...68 

表4-21：具顯著性假設整理 ...70 

表5-1：研究模型解釋能力 ...72 

表5-2：模型一至三達顯著水準的因素 ...73 

表5-3：模型四至六達顯著水準的個別屬性指標 ...74 

第一章 緒論

1.1 研究背景與動機

網際網路(Internet)與全球資訊網(World Wide Web；WWW)相關技術的蓬勃 發展，使得網際網路逐漸成為人們取得資訊的重要管道。同時，網際網路所提供 的多樣性服務，例如：搜尋引擎(Google)、拍賣網站、網路下載資料等，不論是 政府、企業、學校、社區或個人都可以透過網際網路的資源與各種通訊傳播的技 術來分享各種多媒體資訊，使得資源共享的概念更加發達，縮短了以往甲地資訊 與乙地資訊在傳遞交換時受限於時間和空間的制約因素，增加了資訊傳遞的即時 性。

另外，由於網際網路無時無刻都有新的資訊產生，使用者可以藉由文字、圖 片、聲音等各種不同的格式在網路進行傳遞，然而隨著人們生活方式的改變及工 作上的需求，使用者可能隨時隨地都想藉由網際網路獲得新的資訊或存取網路服 務，而原本的有線網路設置因為必須在特定的服務據點才能使用網路功能並取得 服務資源，在受限於地點約束的情況下，既有的有線網路設置已經無法滿足使用 者的需要。隨著無線網路的相關技術及設備的發展，有許多專家及學者廣泛的研 究與探討無線網路環境下的各種使用方法，現今已經有許多發展成熟的無線通訊 技術並且實際運用於人們的日常生活當中，如：IEEE 的802.11b、藍芽、衛星通 訊和行動通訊等技術，透過這些無線通訊技術，使用者便可以在任何時間及地點 經獲得想要的服務，進行各種資訊的分享。且行動裝置的多元發展的趨勢，如:

筆記型電腦、手機搭配PDA、網路家電、衛星定位、等各種行動設備，讓人們在 使用行動裝置時，人與環境的互動更為便利，溝通更無阻礙。

由於全球衛星定位系統(Global Position System；GPS)的發展已經成熟，在定 位距離的誤差上大幅減少很多，此外 GPS 不需額外架設基地台或者其他的感應 設施，只要一個GPS 接收器便可以使用，因此 GPS 被拿來廣泛的應用在土地探 勘、導航、大地測量、製圖、登山定位、精確定時、軍事等方面之上。因為技術 的進步，GPS 接收器可以透過無線藍芽技術與行動裝置連結，亦有廠商將其嵌入 至行動裝置中，利用 GPS 方便使用的特性來發展戶外的使用者位置定位，傳送 使用者當下的位置訊息，例如：車用衛星導航機是一般常見的運用，透過導航機 能在車輛行駛時，即時得知目前車輛所在的位置、行駛速度、接收路況導航等資 訊，因此當使用者即便處在一個陌生的地方，透過 GPS 定位的輔助也可以很快 的得知目前的位置。

雖然使用者可以經由網路取得大量的資訊，但是這些資訊常常都含過多的未 精練資訊，而龐大且未精鍊的資訊往往造成使用者迷失了他們的主要目標，隨著 網路的資訊過載，這種情形更日趨嚴重。所以當面對龐大的資訊流要如何去篩 選，給予消費者最恰當的資訊，提供消費者更方便、更明確的產品資訊內容，讓 消費者能夠輕鬆地選擇所需要的產品，便是許多學者所關注的問題，因此有學者 提出相關解決方法，例如推薦系統(Recommender system)便是解決問題的方法之 ㄧ。透過推薦系統的輔助，消費者不僅克服了龐大資訊流的問題，也可以從中得 到系統對於產品的推薦，讓消費者能更輕易的選取他們理想中的產品，在推薦系 統所運用的方法中較常見的有內容導向過濾(Content-based filtering)跟協同式過 濾(Collaborative filtering)以及混合式過濾(Hybrid filtering)三種方法。

過去傳統的房仲業者是以郵寄資料或者發傳單的方式作為他們的行銷手 法。現今，網路環境發展蓬勃，房仲業者也紛紛利用無線網路做基礎，採用行動 商務技術來提供即時資訊給顧客。對消費者而言，透過行動商務技術，便可以即 時瀏覽看屋資訊，而房仲業者不需再依賴厚重的書本資料、大量的廣告單，只需 透過行動裝置網路的運用，便可不受時間與地點的影響，來提供客戶即時的資 訊。無線網路為帶來了許多便利性的服務，透過無線網路環境的服務，使用者可 以利用行動裝置即時瀏覽資訊，然而運用在行動裝置上的推薦方法尚未普遍運用 在租屋服務之上，當房屋資料量過多時，使用者便可能面臨資料過載的問題，導 致使用者在一時之間無法找出符合他們需求的房屋資訊，而必須花費大量的時間 來瀏覽，這不僅僅消耗承租人以及出租人員的時間以及精力，也使出租中心的運 作流程效率大大降低。

1.2 研究目的

基於上述的研究背景與動機，本研究提出下列研究目的：

1. 建立使用者在外租屋時所考慮的重要指標

探討使用者在選擇租屋地點時所考慮的租屋偏好指標(租屋環境、提供 設備、租金、地點、租屋狀況等)；其作法是利用文獻形成使用者對於 選擇租屋地點時所考慮的指標，再利用問卷調查法來找出使用者認為較 重要的指標。

2. 針對租賃房屋服務發展出一適性化、適地化的推薦系統

本研究透過租屋偏好指標來建立每個使用者的偏好設定檔，利用 GPS 所傳送的定位訊息，給予使用者該定位之地點週遭的房屋資訊；利用推 薦系統的輔助，挑選出最符合使用者需求的資訊推薦給使用者，給予符 合使用者相應的推薦資訊，進而避免資訊量過多而造成資訊負載的問題 並減少租屋者在瀏覽出租房屋資訊上的時間。

3. 提出三種推薦機制，給予使用者最適當的推薦資訊

本研究將提出三種推薦機制來提供資訊給想租屋的使用者。這三種方法 分別是利用 GPS 定位或指定新地點來輔助使用者，讓使用者在陌生地 區找尋房屋資訊的時候更加快速，以及將租屋偏好較為相似的使用者分 配至同一個群組中，再從群組中其他使用者的相關經驗來給予推薦資 訊，還有利用使用者的租屋偏好與房屋屬性之間的分析來給予適當的房 屋資訊。

4. 評估使用者對於使用行動租屋推薦系統後的滿意度

本研究將探討使用者在操作系統後的滿意度；其作法是利用文獻形成使 用者對於行動租屋系統的滿意度指標，在使用者實際的系統操作後透過 滿意度問卷的發放，分別探討使用者對於三種機制的感受。

面對資訊量龐大的情形若是能夠透過系統有效的整合資訊，並利用無線網路 以及推薦系統為每個租屋人提供一個人化的服務，並藉由簡單的互動，暸解租屋 人對於住宿地點的特定喜好，由系統建議最適合的地點，想必一定會有效率的縮 短整個看屋流程、並提升整體的租屋服務品質。

1.3 研究對象與範圍

因為在外工作及求學，而必須在外租屋者的增多，其租屋服務也因此受到重 視。透過相關文獻的整理，就傳統房仲服務業者而言，房屋仲介服務員必須透過 紙本方式來傳遞訊息，但是往往會有資料不足，或資料不同步等問題，因此無法 滿足顧客的需求。隨著無線網路的普及，房仲服務業者也紛紛採用行動商務技 術，來提供即時訊息給租屋者。對租屋者而言，透過無線網路，便可以不受時間 與地點的影響，於戶外接收即時租屋訊息，讓房仲服務業者不需要再依賴厚重的 資料本與廣告傳單，只需利用行動裝置透過無線網路，便可以提供顧客即時的租 屋訊息。

本研究將針對中華大學校區周遭附近的租屋服務進行研究，並提出一套行動 裝置租屋推薦系統，以中華大學校區周遭附近的使用者為受測對象來使用本系 統，其大多數受測者身分以學生為主。

1.4 研究流程

本研究流程可分為下列各步驟，如圖1-1 所示。在第一章緒論中，透過相關 文獻探討並擬定研究背景與動機，並確定所要研究的問題以及目的。在第二章文 獻探討中，將針對所觸及之議題進行介紹與說明，依此作為後續研究流程之理論 基礎。

第三章研究方法，將依據文獻訂定研究目的及確立研究範圍，進而建立本研 究之研究架構，首先進行使用者偏好指標的刪除與篩選方式的探討，接續進行系 統架構與系統模組之解說，提出推薦系統所使用的推薦方法、分群方法、滿意度 問卷設計及評估方式的探討。

在第四章研究結果與分析中將說明使用者偏好指標篩選的敘述性統計分析 結果、決定分群群數的區別分析結果，系統實作的系統畫面以及系統操作滿意度 問卷評估。第五章結論與建議則對研究結論進行解釋。

確定研究問題及目的

相關文獻回顧與探討 研究背景與動機

第一章

一、 推薦系統 二、 群集分析 三、 全球定位系統 四、 使用者滿意度

第三章

第四章

結論及建議 一、 研究結論 二、 未來研究與建議 三、 研究限制

第五章

三、 系統實作 四、 滿意度問卷分析

研究結果與分析 一、 偏好篩選統計分析 二、 區別分析

四、 系統設計與實作 三、 建立分群模組 二、 建立使用者租屋偏好 一、 研究架構

研究方法

第二章

圖1-1：研究流程

第二章 文獻探討

本章包含四小節；推薦系統、群集分析、全球衛星定位系統及使用者滿意度。

其中2.1 節將說明推薦系統建置的目的、應用、推薦的機制以及進行推薦時所使 用的方法；2.2 節將介紹群集分析所使用的方法；2.3 節將介紹全球衛星定位系 統的原理與應用；最後，2.4 節將整理使用者滿意度的定義與衡量目標。

2.1 推薦系統( Recommendation system )

推薦系統建置的目的在於解決使用者負荷過於龐大資訊的問題，在現實中可 以發現已經有許多推薦系統應用在其中，例如Amazon.com、e-Bay、MovieLens 等，另外還有Goldberg 等人提出的 Tapestry (Goldberg et al.,1992)郵件推薦系統，

Movie 推薦系統(Hill et al.,1995)、新聞及電影的推薦系統(Konstan et al.,1997)、文 章搜尋的推薦系統(McNee et al.,2002)等，而在行動裝置上亦有許多學者已經提出 許 多 相 關 研 究 ， 例 如 Critique-based mobile recommender system (Ricci &

Nguyen,2007)、MONER (Lee & Sung Joo Park,2007)、MALCR(Yuan & Tsao, 2003)、Location-aware recommender system (Chen et al.,2008)等行動推薦機制。

在推薦的機制上主要有Top-N 商品推薦、最新商品推薦以及相似產品推薦，

以下將分別說明。

1. Top-N 商品推薦

系統計算出使用者對於商品的喜好評比後，根據評比分數高低對商品加 以排列，產生Top-N 個商品呈現給使用者，爾後根據使用者對於商品的 評價，回饋給系統，讓系統能更準確的學習使用者偏好。Yuan (2003) 提出的方法中亦是利用Top-N 方法來進行推薦。

2. 最新商品推薦

當新商品推出時，推薦系統會根據使用者的偏好、興趣，找出適合接收 此一資訊的使用者進行推薦，避免造成使用者對於不適合的資訊而感到 反感。

3. 相似產品推薦

使用者在進行商品購買時，系統會根據所購買的商品，推論出使用者可 能需求的相關產品，應用的技術如關聯式規則(Association rules)，此方 法將使用者可能需要購買的次產品做為考慮推薦給使用者，其運用關聯 式規則來產生推薦的有智慧型個人化多媒體推薦系統 (劉崇汎等,2005)

推薦系統可以分為三個部份：輸入與輸出(Functional I/O)、推薦的方法 (Recommendation method)、以及其他設計元素(Other design issues)(Schafer et al., 2001)，依序介紹如下：

一. 輸入與輸出：

一個推薦系統的運作流程包含需要哪些資訊(使用者資訊)的輸入以及 資訊如何輸出(推薦結果呈現給使用者)，在資訊輸入的部分包含目標顧 客 的 輸 入(Targeted customer inputs) 及 群 體 的 輸 入 資 訊 (Community inputs)。

1. 目標顧客的輸入

目標顧客輸入意指顧客的動作或顧客長期的喜好紀錄，這些資訊能 透過顧客特意或不經意的輸入來取得，主要分為下列幾項方法。

a. 隱性行為(Implicit navigation)

利用蒐集顧客在瀏覽時的商品資訊或購買紀錄，再加以分析，

用以了解顧客感興趣的商品，如：亞馬遜網路書局(Amazon.com) (Linden et al.,2003)。

b. 顯性行為(Explicit navigation)

直接要求顧客填寫問卷，填寫或選擇感興趣的類別，明確瞭解 顧客的興趣所在。

c. 關鍵字或物品屬性(Keywords and item attributes)

顧客在查詢物品時所使用的關鍵字或瀏覽的物品屬性。

d. 評價(Rating)

利用其他顧客對於商品的評價，來推薦給目標顧客最有幫助的 資訊。

e. 購買紀錄(Purchase history) 客戶曾經購買的商品紀錄。

2. 群體的輸入資訊

群體的輸入資訊目的在取得物品的屬性資訊，分為下列數種方法。

a. 物品屬性(Item attribute) 包含物品的種類及群集。

b. 商品熱門程度(External item popularity) 用以表示此產品在顧客群中的熱門程度。

c. 群體的購買紀錄(Community purchase history) 藉由個人購買紀錄，找出商品之間的關聯性。

d. 意見與評價(Text comments, ratings)

團體對於商品的評價與意見，需要大量的個體顧客評價與意見 才夠公正。

輸出的部份指的是將推薦的結果呈現給顧客，其結果可以分為建議 (Suggestion)與預測(Prediction)。建議是指將所有推薦清單呈現給顧客，並讓 顧客自行檢視符合他們所需的商品。預測是指將過濾、排序後的推薦清單呈 現給顧客，商品清單內容會依照顧客的喜好程度來排列，或依照群體的喜好 程度來排列。

二. 推薦的方法：

推薦的方法是指推薦系統用來找出顧客可能感興趣的商品並給予推薦的 方法，常用方法如下所示。

1. 基本檢索(Raw retrieval)

利用關鍵字的輸入來搜尋所感興趣的產品，系統將列出含有關鍵字 的商品。

2. 人工挑選(Manually selected)

藉由人工列出商品清單，並給予一則評論，顧客可以藉由評論瞭解 所推薦的商品並選取自己感興趣的商品，但是此種方法的缺點是需 要長期維護，無法及時更新。

3. 統計分析(Statistical summaries)

藉由統計分析群體的選擇趨勢來產生推薦清單。

4. 屬性導向(Attribute-based)

分析顧客的興趣屬性與商品屬性間的關聯性，依此決定推薦清單。

5. 商品之間的關聯性(Item-to-item correlation)

分析商品之間的關聯性並分類，當顧客選擇某一項商品時，系統會 一倂推薦其關聯性高的其它商品。

6. 使用者之間的關聯性(User-to-user correlation)

將興趣相同的使用者分到同一群組內，當一名使用者選擇了個推薦 商品，同群組內對此商品可能感興趣的其他使用者，也將一倂收到 此推薦清單。

三. 其他設計元素

在其他設計元素的部份，包含個人化程度(Degree of personalization)與送 達(Delivery)。

1. 個人化程度

推薦系統會因不同的個人化程度給予不同的推薦方法，主要分為三 種個人化的程度，依序為無個人化、短期個人化及長期個人化。

a. 無個人化

利用統計分析的方式來產生推薦，所有類型的顧客都會以同樣 的推薦方式來進行推薦。如網路購物網站、當某一件產品被購 買量居於總產品的Top-N，該產品將被列為熱門產品並推薦給 所有顧客，此種推薦只統計商品的販售量來做為推薦的依據。

b. 短期個人化

短期個人化是根據顧客的瀏覽記錄以及點選的商品，來推論顧 客可能需要的商品，此類的方法大多根據商品之間的關聯性與 商品的屬性、利用內容過濾法或資料探勘的方式來進行推薦。

c. 長期個人化

長期個人化的作法是長期追蹤顧客的興趣，屬於更深入的個人 化方式，主要的推薦方式是從顧客的歷史記錄中找出顧客之間 的關係以及屬性，或在長期偏好的商品中找出商品之間的關聯 性、並利用協同式過濾法來進行推薦。

2. 送達(Delivery)

送達是指將推薦結果送達給顧客的方法，主要可以分為主動傳送 (Push)、等候選取(Pull)以及被動產生(Passive)三種方式。主動傳送 是系統主動將推薦內容傳送給顧客，優點是顧客能及時收到訊息，

缺點是當顧客對該推薦訊息不感興趣時容易造成垃圾訊息的產 生。等候選取是不主動將推薦清單傳送給顧客，而是等待顧客選擇 後才將內容呈現。被動產生則是當顧客選擇一項商品時，系統根據 商品屬性及顧客的互動來推薦關聯性高的商品。

在 個 人 化 推 薦 系 統 中 ， 主 要 能 分 成 三 種 推 薦 的 方 法 ， 協 同 式 過 濾 法 (Collaborative filtering)、內容導向過濾(Content-based filtering)、以及混合式過濾 法(Hybrid filtering)三種方法，詳細內容如下列介紹。

2.1.1 內容導向過濾(Content-based filtering)

內容導向過濾的推薦方式，主要是透過資訊擷取(Information retriveal)的技術 所延伸出來的，著重於商品( Item )的分析，藉由分析商品的屬性特徵後，依據使 用者的偏好設定檔(Preference profile)，分析其與商品之間的關聯性，進而判斷並 找出哪些商品可能符合使用者偏好，將適合的商品推薦給使用者。雖然內容導向 過濾是由系統來進行分析，決定是否將該商品推薦給使用者，但在與協同式過濾 法及混合式過濾法兩種推薦方法相比之下其成效較差。

內容導向式推薦方法可以針對已知的使用者偏好，基於該偏好資訊給以推 薦，然而此種方法包含了一些缺失，例如當使用者欲搜尋一篇關於「手機」的文 章，因此當系統在找尋適合推薦的文章時，只會依其條件為找出文章內含有「手 機」的單字的文章做推薦，因此系統中不論增加幾筆與「手機」相關但不一定內 含這個字的新文章，使用者都只會接收到系統推薦含有單字「手機」的文章，則 與「手機」有相關聯卻不包含「手機」這個關鍵詞的文章將不被作為推薦，如此 作法將造就成效不佳的狀況發生。

以下是內容導向過濾方法相關研究的介紹：

1. News weeder (Lang, 1995)

News weeder 是一套網頁新聞的過濾系統，透過網頁瀏覽器來提供使用 者進行網頁新聞文章評比的界面，系統收集使用者的評比資料整理分析 並建立使用者的偏好檔(profile)，根據建立好的偏好檔，推薦使用者尚 未閱讀過的但可能會感興趣的新聞文章。

2. InfoFinder(Krulwich & Burkey, 1996)

InfoFinder是透過訊息資料集(Sets of messages)或是網頁文件，來分析學 習使用者的資訊喜好類別，進而推薦使用者可能會喜愛的網頁文件。

InfoFinder 的特點在於使用 heuristic 搜尋技巧來取得有意義的片語，

此法的優點在於不需要很多文件樣本就可以正確取得使用者的興趣所 在。

3. PRES(Meteren & Someren, 2000)

PRES(Acronym for personalized recommender system)為透過建立一個動 態連結(Dynamic hyperlinks)的網站，讓使用者能更簡單的找到感興趣的 商品，並改善系統與使用者之間的互動。

雖然使用內容導向的過濾方式，可以依據使用者過去的偏好，推薦出符合使 用者偏好的項目，但在Shardanand(1995)的研究中指出此方式有仍有一些限制，

其限制的說明如下：

1. 內容導向式推薦方法可以透過文字比對使用者喜好與商品屬性是否符 合，所能分析的商品內容僅限於能夠用一系列的屬性集合來表示，無法 有效處理聲音、圖片、藝術品與影像等媒體的屬性。

2. 內容導向式推薦方法僅能推薦使用者過去曾經看過或類似的商品項 目、無法找出使用者未曾嘗試但可能感興趣的潛在性商品。

3. 無法處理品質、風格或觀點，以文章為例，當有兩篇文章的主題相同，

但是兩篇的內容品質有很大的差異，內容導向過濾方法並不能有效的分 辨它們的差異性。

由於內容導向過濾的方法擁有上述的缺點，為了改善這些缺點，有學者提出 了協同過濾式推薦的方法，以補足內容導向式推薦方法的不足。以下將針對協同 過濾式推薦方法做詳細的介紹。

2.1.2 協同式過濾(Collaborative filtering)

協同式過濾法是1992 年由 Goldberg 所提出並運用在 Tapestry (Goldberg et al., 1992)之上的方法，此方法利用具有相似興趣成員的資訊作為推薦的參考項目。

當使用者想選購尚未使用過的產品，便必須仰賴其他使用者的意見，此時推薦系 統將從資料庫中找出適合的推薦者，並根據他們的意見來進行推薦，由於資料庫 中所含的使用者資料可能過於龐大，因此必須將每位使用者歸類到不同的群組 裡，再從適當的群組中選擇適合的意見來推薦。

協同式過濾法常見的作法是形成一個M * N 的顧客與商品的矩陣，矩陣中記 錄著顧客對商品的評分值，從矩陣中可以計算出顧客之間的相似度，進而找出最 接近目標顧客的鄰居，最後設計出計算推薦分數的方法，藉由顧客之間的相似度 以及鄰居顧客對商品的評分，算出目標顧客對未評分商品的喜好程度。其由 Sarwar (2000)所提出的傳統式協同式過濾作法應包含資料表示、族群的建立、以 及產生推薦等三個部份，如圖2-1 所示，以下將針對各個部份作說明。

一. 資料表示(Representation)

將顧客的交易消費行為利用一個M * N 的相關矩陣來表示，M 為顧客 集合，N 為商品集合，矩陣中為顧客對商品所給予評分的值。

二. 族群的建立(Neighborhood formation)

計算各顧客之間的相似度，設定族群大小，藉由顧客之間的相似程度高 低，找出目標顧客的鄰居。為了找出目標顧客的鄰居，必須先計算出使 用者之間的相似度，其計算相似度的公式有Resnick (1995)等人提出的 關聯性法則及向量相似度(Salton & McGill,1983)等。其詳細說明如下：

1. 關聯性法則(Pearson correlation similarity)

∑

∑

∑

=

=

=

−

−

−

−

= t

a

j a j t

a

i a i t

a

j a j i a i

R R R

R

R R R R j

i sim

1 , 2 1

, 2 1

, ,

) (

) (

) )(

( )

,

( (2-1)

其中，

sim

i

R

R_j,a：使用者 j 對 Item a 的評比

R ：使用者 i 的平均評比

2. 向量相似度(Vector similarity)

∑

∑ ∑

=

=

= ^t

a t

a a j a j t

a a i a i

v v

v j v

i sim

1

1 2, ,

1 2,

) ,

,

( (2-2)

其中，

sim

i

a

v

a

v

設計推薦分數的方法，從同一族群中，相似度較高的顧客，找出較受歡 迎的商品推薦給目標顧客。

圖2-1：協同過濾推薦程序

資料來源：Sarwar et al, (2000)

協同式過濾至今在推薦系統中仍然是常用的方法之ㄧ，其在運用上亦有許多 研究以及案例，如2007 年 Trujillo (2007)結合了多種特徵，如顧客的基本資料、

興趣領域、曾經下載過的文件，並根據這些特徵來計算顧客間的相似度並進行推 薦。在2008 年則有 Chen (2008)提出的研究，其作法是針對整個群集來做推薦而 非個人化的推薦方式。在現有的網站中則有MovieLens 電影推薦網站，MovieLens 會要求每個使用者在使用系統功能前必須先給予至少14 則的電影評分，藉此產 生個人化的使用者偏好檔(Profile)，然後系統透過所產生的使用者檔案進行群組 的分配並進行推薦，除了上述的應用之外還有 Patrick (2006)將 FCA(Formal Concept Analysis)的概念運用於協同式過濾之上。

協同過濾法所使用的演算法，可以概分為以下二種類別(Breese et al., 1998)：

1. Memory-based collaborative filtering

進行推薦時，利用使用者的歷史記錄，與資料庫中使用者的歷史記錄做 相似度計算，找出與目標使用者偏好相似的鄰近族群，常見的方法為最 近鄰居法。

2. Model-based collaborative filtering

主要將使用者的歷史記錄，透過統計或者機械學習的方法來建構出使用 者的偏好模型，再利用此偏好模型對使用者推薦，較為常見的方法有，

潛在語意索引（Latent Semantic Indexing；LSI）、關聯式法則（Association rule）、貝式網路（Bayesian network）或迴歸分析（Regression analysis）

等。

雖然協同式過濾的技術被廣泛使用在推薦系統之中，但是它仍然存在著一些 先天上的限制，如以下所示：

1. 稀疏性（Sparsity）

當顧客所交易、評分商品的交易項目，遠遠不及於所提供的所有交易商 品，在推薦時系統便無法找到合適的推薦商品來進行推薦(Wilson et al., 2003)。

2. 擴充性（Scalability）

系統必須利用顧客以及商品資料作為運算資料，當顧客資料以及商品資 料越來越多時，則可能會影響到系統推薦的成效(Yang et al., 2004)。

3. 冷啟始（Cold start）：

在系統進行推薦之前都必須要有一個使用者檔案(Profile)，對於一個新 的使用者來說，因為系統沒有任何關於他/她的資料，在推薦上便產生 一個大問題，導致系統無法針對新的使用者進行有意義的推薦，這便是 冷啟始（Cold start）的問題。

2.1.3 混合式過濾(Hybrid filtering)

由於在2.1.1節與2.1.2節中所敘述的內容導向式推薦和協同過濾式推薦機制 皆各有其限制與缺點，故後續有許多學者提出混合式推薦方法（Hybrid approach recommendation）(Kim & Kim, 2001)來互補其缺失。此作法不僅可以保有兩種推 薦方法優點，且推薦之品質亦比內容導向式和協同過濾式之個別模式來得較佳。

黃維良(2007)提到運用混合式過濾式方法的推薦系統，可分為下列四種方式：

1. 分別實行協同式與內容過濾的推薦方法，然後結合兩者預測做出推薦。

2. 將一些內容過濾式的特性整合入協同式的推薦方法。

3. 將一些協同式的特性整合入內容過濾式的推薦方法。

4. 整合協同式及內容過濾式兩者的特性，以建立一個整體的統一模式。

在推薦上，利用混合式推薦方法的推薦系統有：Fab (Balabanovic & Shoham, 1997)，Fab 主要的推薦內容為網頁，首先，透過收集代理人(Collection agent)進 行不同類型網頁的收集，並將網頁傳送給可能感興趣的使用者，使用者在瀏覽過 網頁後將給予評比，這些評比會回傳至收集代理人更新資料，並且收集代理人會 將評比較高的網頁傳送給偏好相似的其他使用者，同時使用者的評比紀錄將回傳 給選擇代理人紀錄為使用者的喜好資訊並作為使用者偏好學習的依據，在此系統 中協同式過濾法的部分為收集代理人，主要負責某個主題的網頁收集，以及更新 使用者對於網頁的評比資料並且將評比較高的網頁傳給同好者，而內容導向的部 分則為選擇代理人(Selection agent)，主要為記錄每個使用者的喜好資訊，建立使 用者偏好檔。除了Fab 之外，亦有其他學者提出混合式推薦系統，如 INFOS (Mock

& Vemuri,1997)。

2.2 群集分析(Clustering)

群集技術(Clustering technology)是根據物件的資料，以及物件之間的關係資訊 來進行物件的群集。其目的是使在同一群內的物件彼此相似，且與其他群中的物 件在某些特性上有明顯的不同。因此當群內的相似度越大，群與群之間的差異度 越大時，則有較好或者更具區別性的群體。在應用上，群集技術常被用來處理心 理學、生物學、統計學、資訊檢索、資料探勘(Data mining)、人工智慧(Artificial intelligence)等問題。

在群集技術中大致上可以歸為兩類：階層式分群法(Hierarchical clustering) 和分割式分群法(Partitional clustering)，階層式分群法的分類群數(Number of clusters)可以由多變少或者由少變多來進行群集的合併或分裂，之後再選取最佳 的群數量。而分割式分群法是先指定群數量後，再用一套疊代的數學運算法找出 最佳的群集方式以及相關的群中心。

2.2.1 分割式分群法(Partitional clustering)

在分割式分群法中K-means 為最典型的方法，是由 MacQueen (1967)所提出 的一種分群法並且被廣泛的應用於各種地方，相較於其他演算法，其運算的方式 是較為簡單的，在分群速度也較為快速。其分群的方式是設定K 個初始群中心，

然後利用距離的概念，將每個資料點分配到最近之群中心，而每個群集的中心點 將會根據所分配之資料點重新計算，一直重複以上步驟直至群心點收歛為止。因 為 K-means 是以群中心來作為群集的代表點，所以能大量的減少計算時間，但 是分群的結果易受初始設定的群中心所影響。而在後續提出的 K-means 變型有 X-means(Pelleg & Moore,2000)、K-Harmonic means(Zhang et al,1999)，此外其他 常見的分割式分群演算法有PAM(Kaufman & Rousseeuw,1990)。

2.2.2 階層式分群法(Hierarchical clustering)

階層式分群法(Jain & Dubes,1988)是透過一種階層架構的方式，將資料層層 反覆地進行分裂或聚合。產生階層分群的基本方法有主要分為凝聚式與分裂式兩 種方法，以下將詳細說明：

一. 凝聚式階層分群法(Agglomerative hierarchical clustering)

由樹狀結構的底部開始層層聚合。一開始將所有資料點視為一個群組，

每一步驟，合併最接近的一組群組。假設現在擁有n 筆資料，則將這 n 筆資料視為n 個群組，即每個群組包含一筆資料，其群聚步驟如下：

1. 將每一個資料點視為一個群集 Ci

2. 定義群組之間的鄰近值，找出距離最接近的兩個群組 Ci、Cj

3. 合併 Ci、 Cj 成為一個新的群集

4. 假如目前的群組數目多於所期望的群組數目，則重複步驟 2 至步 驟4，直到達到所期望的群組數目為止。

二. 分裂式階層分群法(Divisive hierarchical clustering)

分裂式階層分群的作法是由樹狀結構的頂端(root)開始，在一開始將所 有資料點(P1、P2、P3、P4)視為同一個群集，依其不相似度或距離，依 序將群集分割為兩個較不相近的群集，直到所有資料點都分割至個別的 單一群集中為止。如圖2-2 所示，資料點 P1、P2、P3、P4 在最後都是 一個單獨的群集。

圖2-2：樹狀結構圖

2.3 全球定位系統

全球定位系统（Global Positioning System；GPS）是利用衛星結合無線技術 應用於導航定位的系統。全球衛星定位系統原本是美國國防部用來做軍事定時、

定位與導航，以衛星導航為基礎技術的無線電導航系統，後來才開放給民間並用 於商業用途，作為精密測量、標準時間、民間定位使用，有效的提供全球三維空 間位置以及運動的速率及方向。全球衛星定位系統的原理是經由環繞在地球外圍 軌道上的24 顆衛星，其衛星平均分佈在地球軌道面上，因此在全球的任何地方、

時間都可接收到衛星所發射的訊號，並保持良好的定位幾何方位。

在概念上，GPS共包含三個部份：外太空方面(Space segment)、控制部份 (Control segment)、使用者接收方面(User segment)(熊嘉彬,2007)。

1. 外太空方面

在外太空部分以每組4顆衛星平均分佈運行於距離地表20200KM並與 赤道相差55度角的軌道上，共6組24顆衛星完整涵蓋整個地球以提供定 位之用。每顆衛星以11小時又58分鐘為一週期環繞地球一周，並不斷傳 送含有衛星訊息的資料作為定位使用，所傳送的衛星資料包含了該衛星 的軌道資料與時間資訊、一般系統狀態資訊以及電離層的修正資料。由 於GPS是計算三維位置，因此同時間需要4顆以上的衛星資訊來進行計 算。

2. 控制部份

控制部份主要是由地面控制站所構成，主要工作為監控、追蹤在太空中 運行的衛星，提供正確的軌道及時間資訊給衛星，整個控制系統由1 座 位於美國的主控制台、沿赤道分佈的5座監控站及3座地面天線所組成，

在運作方面由各個監控站接收衛星所發送的訊息，並傳送至主控制台預 測、分析之後再由地面天線回傳資料至衛星進行軌道修正、時序調整，

以維持衛星準確性。

3. 使用者接收方面

使用者接收方面指的是全球衛星定位接收器，其主要功能為追蹤衛星，

接收並處理 GPS 衛星訊號。利用訊號從衛星傳送到接收器的時間差，

接收器可以計算出使用者所在之位置以及速度。

2.3.1 全球衛星定位系統的定位原理

GPS 定位是利用衛星三角定位原理，每一顆衛星都會持續傳送訊號，而在 GPS 接收器上有一個專門接收無線電訊號的接收器，當一個接收器接收到訊號之 後，依據無線電訊號從傳輸到接收的時間差，可以測量出衛星及接收器之間的距 離以及衛星在太空中的位置。通常在接收到三個以上的衛星訊號後便可以利用三 角公式來算出接收器目前所在的位置。雖然透過三顆衛星訊號便可以求出接收器 的所在位置，但是卻只能算出 2D 位置(經度、緯度)，要求得接收器的高度必須 加上第四顆衛星訊號便可以計算出 3D 位置(經度、緯度、高度)。此外當接收器 不斷的更新位置訊號時，可以計算出接收器移動的方向以及速度。

2.3.2 全球衛星定位系統的應用

GPS 的應用範圍很廣，在連耀南 (2006)所提到的 GPS 應用中有資源調查、

大地測量、製圖…等各項應用，以下將針對各種應用做詳細的介紹。

表2-1：GPS 應用

應用 說明

資源調查，土地探測

例如﹕森林區、山坡地違規開發查報工作。利 用GPS 可順利導航至可疑之變異點，並直接查 詢調閱地圖等相關資料。

大地測量，一般測量

傳統的三角測量為一件十分辛苦的事，特別在 三角測量點缺乏及地標不明顯的時候，測量工 作格外困難。GPS 定位無須仰仗地標點，只要 在沒有遮蔽的情況下，幾乎不受地形的限制，

因此使用GPS 作為測量的工具，大大改善了傳 統測量的不便。

精確定時

GPS 定位需要非常精確的時間，在每顆 GPS 衛 星上都有一個精密的原子鐘，透過GPS 接收器 可以接收到精確的時間資訊。

軍事

GPS 一開始的發展目的就是軍事的用途，因此 戰機、戰艦、戰車、飛彈、相關軍事人員及攻 擊目標物的精確定位，都均仰賴GPS 完成。

資料來源：連耀南 (2006)

表2-1：GPS 應用(續)

應用 說明

登山定位，山難協尋

利用 GPS 可準確的定位，在開闊的地方使用 GPS 定位，並配合地形圖可以非常準確的了解 目前所在位置，而不會因人為判斷錯誤而迷 路。此外也可以利用GPS 配合無線電傳輸，將 登山人員所在位置傳送至山難協尋中心，以利 救難搜尋工作。

製圖

電子地圖製作以及地形圖之製作。地圖的數位 化有很多種：將已存在的紙張式地圖數位化或 使用掃描器掃描至電腦中，再進行螢幕數位化 或自動數位化。可使用 GPS 在車輛行進的時 候，然後每隔一段時間將道路點(Way point)記錄 下來，如此便完成粗略的地圖數位化工作。

2.4 使用者滿意度

使用者滿意度(User satisfaction, US)的概念是由 Cyert and March (1963)所提 出，其主張：｢如果資訊系統能符合使用者的需求，就能提高使用者的滿意度，

反之，若不能提供符合使用者需求的服務時，則會造成使用者的不滿，使其滿意 度會降低並將轉至其他地方尋求服務｣，表2-2 茲列舉滿意度的定義。

在早期，滿意度是被用來衡量某項產品或者服務，隨著資訊產業的發展，延 伸到資訊產業滿意度評估之上。根據美國行銷科學協會的調查指出，服務品質是

「一個相對水準、而非絕對的觀念、顧客對企業服務品質的感受，乃決定於顧客 對於受到服務之前的期待，若是企業的實際服務品質表現高過於顧客的期待，則 顧客滿意度則高，屬於高服務品質，反之，則滿意度則降低。」因此使用者滿意 度的衡量是屬於感受或者主觀的系統衡量方法，主要決定於使用者如何看待資訊 系統，而非系統本身的技術品質來看。

Engle and Blackwell (1993)認為使用者滿意度的形成是因為顧客對於使用後 的產品績效與其自身購買前的期望進行相較與評估所產生的，若是兩者相較後達 到一致，則顧客會獲得滿足，反之，則會不滿足。

滿意度具有高度的面向有效性，在DeLone & McLean (1992)的資訊成功模式 中提到資訊品質會對使用者滿意度造成正向影響，而Bailey and Pearson (1983) 則在研究中提到：正確性、精確性、流通性、及時性、可靠性、完整性、簡潔性、

編排格式、與關聯性等，是作為衡量資訊品質尺度的九個指標，並用以探討資訊 品質對使用者滿意度的影響。加上後續其他學者所衍生的發展，進而提供了一個 在衡量滿意度及研究上的可靠工具，且因為其他衡量工具在概念上的缺乏或實證 中無法取得等原因，因此使用者滿意度被作為是用在資訊系統的成功衡量上最廣 泛的應用，其評估方式包含使用者與系統之間之互動(DeLone & McLean, 1992)。

綜合以上說明，使用者滿意度是影響使用者是否願意再度使用、購買或使用 過某產品或體驗服務後經驗的一個評估重要因素。使用者滿意度的衡量與各產業 目標顧客的特性有關，顧客滿意度的衡量也隨著產業特性不同而有所差異。對於 資訊系統來說，當使用者在使用資訊系統時，發現系統難以操作或者有任何不滿 情緒產生時，使用者便會開始排斥使用資訊系統，Swanson (1974)提到：「使用 者滿意度的降低，會讓使用者減少使用系統與資料的處理」，因此從使用者對於 資訊系統的滿意度來看，便可以瞭解資訊系統的建置是否有效益。

表2-2：滿意度的定義

學者 年份 定義

Oliver 1981 顧客滿意度是一種特定交易後，所產生的暫時性的 情緒性反應。

Churchill and Surprenant 1982

顧客滿意度是一種購買與使用產品後所產生的情感 結果，是由顧客比較自身預期結果的報酬和投入成 本所產生的。

Bailey and Pearson 1983

滿意度為一特定環境下，使用者對所有影響此環境 的情感和態度的總計，也就是使用者對於某些因素 的正面與反應情緒的總和。

Woodside and Daly 1989 滿意度是一種態度，反應出使用者在消費前後的喜 歡或不喜歡的程度。

Fornell 1992 顧客的滿意度是指顧客在購買產品或使用服務之後 的整體衡量，經由經驗而產生的一種態度。

Oliver and Rust 1994 顧客所擁有或使用該項服務所帶來的正面感受程 度。

Kotler 1999

顧客滿意度是一個人所感覺的愉悅程度高低，其來 自於對產品的感受和個人對產品的期望相比較後所 形成的。

Kotler 2003 顧客滿意度是顧客對於產品或服務是否能滿足其顧 客需求與期望的評價。

第三章 研究方法

本章將針對本研究之研究架構做解釋，其研究架構如圖3-1 所示，分為三個 階段：建立使用者租屋偏好、建立分群模組、以及系統設計及實作；在第一階段 中，首先以文獻回顧整合出偏好指標前測問卷，然後藉由前測問卷發放方式來找 出在文獻探討中所未提及的使用者租屋偏好指標，並整合成偏好指標正式問卷，

續藉由正式問卷的發放來找出使用者較為重視的租屋偏好指標並建立使用者個 人租屋偏好，其詳細的個人租屋偏好產生方法將於3.1 節詳述。

第二階段為建立系統分群模組，利用第一階段所建立的使用者偏好表來進行 分群樣本的收集，所收集到的樣本數將事先利用 K-means 進行群集分析，然後 以區別分析方法來決定分群群數，進而建立一個分群模組，其詳細的做法將於 3.2 節中作說明。

最後第三階段為系統設計及實作，在系統設計中將提出三種不同的推薦方 式，並設計一份滿意度問卷供使用者在操作完系統之後填寫，期望透過滿意度問 卷的發放來瞭解所提供的三種推薦方式以及整體系統的操作使用是否符合使用 者的需求，其提出的三種推薦方法及滿意度問卷的設計將於3.3、3.4 節中進行介 紹，而系統實作與滿意度評估部份將於第四章介紹。

瞭解租屋指標及因素

並設計前測問卷 文獻回顧

第一階段

建立使用者租屋偏好

第二階段 建立分群模組

指標前測問卷

指標正式問卷

形成使用者偏好表

使用者偏好樣本收集

偏好樣本群集分析 K-means 分群

決定分群群數

系統操作滿意度評估

滿意度問卷 使用者填寫或修改租

屋偏好表

使用者群組分配

租屋資訊推薦 系統實作

距離推薦 偏好推薦 群組推薦 設計系統架構與推薦方法

及實作 系統設計 第三階段

建立分群模組

區別分析 的租屋指標

篩選出較為重要 並設計正式問卷 整合前測受測者意見

圖3-1：研究架構

3.1 建立使用者租屋偏好

本研究首先透過文獻的回顧與探討，彙整出關於選擇租屋地點時所考量的看 法及感受，首先整理出共45項屬性指標作為指標前測問卷之問項，然後藉由前測 問卷的發放，給予10位擁有在外租屋經驗者進行問卷填寫，其主要目的在於瞭解 除了在前測問卷中所提及的指標之外，是否有其他未考量到的指標，其前測受測 者所回覆的意見有：「房租付款方式」、「房屋是否有陽台可供使用」、「房屋內是 否附有洗衣機、烘衣機」、及「房屋內通風是否良好」等四項指標，然後整合這 些意見，產生共49項屬性指標(如表3-1所示)作為指標正式問卷之問項，接著進行 正式問卷的發放來找出使用者在選擇租屋時所考量的重要性指標作為使用者租 屋偏好，詳細正式問卷內容如附錄A所示，其篩選重要性指標的敘述性統計分析 的過程將於第四章進行介紹。

表3-1：選擇住宿地點的因素

研究問卷內容 相關文獻

房東與住宿 權利及義務

1. 房東的人品 2. 是否與房東同住

3. 水電費是否明訂包含於租金之內 4. 房屋及設備損害之維修是否迅速 5. 是否訂定租賃書面契約

6. 房租的繳交的期限(例：逐月付清，半年一期等…) 7. 房租付款方式(例：ATM 轉帳，現金)*

崔媽媽基金會(2002) 蔡其桓(2006)

家庭與個人 因素

1. 自己的籍貫 2. 自己的性別 3. 父母的期望 4. 自己是否有收入 5. 課業負擔的輕重 6. 家庭的經濟狀況 7. 自己是否擁有交通工具 8. 目前是否有男(女)朋友交往中

張金鶚,陳淑美(1998) 蔡其桓(2006)

*：受測者反映之指標

表 3-1：選擇住宿地點的因素(續)

研究問卷內容 相關文獻

住宅內在品 質因素

1. 房屋的年齡 2. 租期長短 3. 同住者的背景 4. 房屋是否附有網路 5. 房屋的坪數大小 6. 房屋的風水好壞 7. 房屋內是否附有傢俱

8. 房屋內是否附有洗衣機、烘衣機*

9. 房間是否擁有對外窗戶 10. 房屋內通風是否良好*

11. 房屋內是否附有廚房、家電及流理台 12. 住宿地點租金的高低

13. 房屋的採光是否良好 14. 房屋的隔音品質是否良好 15. 住宿地點所在的樓層數 16. 是否具有高度的個人隱私性 17. 房屋的結構是否安全 18. 房屋是否有消防設備 19. 通話收訊情形是否良好 20. 房屋的視野是否廣闊 21. 屋內格局是否方正 22. 房屋整體品質的好壞

張金鶚,曾善霞(1991) 崔媽媽基金會(2002) 莊卜瑾(2003) 李馨蘋(2002) 蔡其桓(2006)

住宅外在品 質因素

1. 鄰近親友的住處

2. 從住宿地點到工作地點／學校的遠近 3. 住家附近之治安

4. 是否有專人管理社區或房屋 5. 對外交通是否便利

6. 租屋地點附近停車是否方便 7. 住宿地點附近飲食機能是否便利 8. 住宿地點及週遭環境是否寧靜 9. 房屋座落的地點是否安全

10. 房屋對於防震、防火等安全措施是否完善 11. 房屋是否有陽台可供使用(如：晾衣服)*

12. 鄰居的素質好壞

張金鶚,曾善霞(1991) 崔媽媽基金會(2002) 莊卜瑾(2003) 蔡其桓(2006) 李馨蘋(2002)

*：受測者反映之指標

3.2 建立分群模組

在進行系統實作前，本研究事先建立一個分群模組，此模組將成為系統進行 群組分配的依據。在使用者填寫完個人偏好後，每個登入系統的使用者都將根據 此模組來分配至合適的群集。其分群模組建立流程如下所示。

1. 使用者偏好樣本收集

藉由發放使用者個人租屋偏好表讓使用者填寫，進行分群樣本數的收 集，其對象將以中華大學周圍附近的使用者為主。

2. 偏好樣本群集分析

取得偏好樣本數後，在群集分析上利用統計工具軟體 SPSS 來進行 K-means 群集分析，以取得不同分群群心及各個樣本的所屬群組。

3. 決定分群群數

由於區別分析(Discriminant analysis)可以用來進行預測，故本研究在透 過 K-means 取得各個樣本數的所屬群組後，利用區別分析來預測各個 樣本的群組，再來與樣本真正所屬的群組進行比對，取其預測準確率較 高的分群群數設定作為系統所要使用的分群群數。

4. 建立分群模組

最後根據區別分析的結果，建立一個分群模組，供系統在進行使用者群 組分配時使用。

3.3 系統設計及實作

在本節將進行系統設計的介紹，系統實作及滿意度評估將於第四章進行介 紹。本研究所設計的系統架構如圖3-1 所示，使用者可以透過行動裝置進行偏好 的設定，瀏覽租屋資訊並接受推薦訊息。在行動裝置上，使用者可以存取系統，

瀏覽房屋資訊，接收推薦結果。GPS 定位管理者可以取得目前使用者所在地點之 經度以及緯度，並將這些所得到的 GPS 訊息回傳至系統作為推薦時，用來計算 與房屋之間的地理性距離。在系統中，包含三個主要模組：距離推薦模組、偏好 推薦模組、及群組推薦模組，以下將個別對各個模組進行介紹。

圖3-1：系統架構圖 3.3.1 偏好推薦模組

偏好推薦模組是根據使用者所設定的偏好設定檔(Preference profile)來給予 推薦資訊。將使用者所填寫的個人租屋偏好與房屋屬性進行比較分析，找出較為 符合使用者偏好的房屋資訊做為推薦項目。其推薦過程如以下所示：

1. 條件式篩選

請使用者選擇必需符合偏好項目的房屋屬性項目，例如：使用者認為水 電項目必須符合他所設定的個人偏好，則系統會先找出水電項目符合使 用者偏好的房屋資訊。

2. 偏好比對

經過條件式篩選後的房屋資訊將與使用者偏好進行比較，比較方式是將 房屋屬性與租屋偏好一項一項進行比對，例如：使用者偏好設定租金為 4500-5000之間，若房屋的租金小於5000元，則該房屋在租金屬性項目 視為符合使用者的偏好需求，最後符合越多偏好項目的房屋資訊，則越 適合推薦給使用者的房屋資訊。

3. 產生推薦清單

比對後的房屋資訊將用來產生一份房屋推薦清單，其房屋清單是依照符 合使用者的偏好項目由多到少來進行排序，呈現給使用者觀看。

3.3.2 群組推薦模組

群組推薦模組主要是將偏好相似的使用者分配至同一個群組之內，再從群組 中其他顧客的相關使用經驗中，找出合適的房屋資訊來推薦給目標顧客。使用者 在設定好個人偏好之後，群組推薦模組會找出與目標使用者同一群組的成員，然 後搜尋他們所租賃過的房屋資訊，這些成員曾經租賃過的房屋資訊將被拿來用以 產生一份房屋推薦清單並呈現給目標使用者，例如目前在同一個群組中有3 名顧 客，分別為顧客甲、顧客乙、顧客丙，顧客乙曾經租過房屋C，顧客丙曾經租過 房屋D，因此在推薦清單中，系統將會推薦房屋 C 以及房屋 D 的資訊給顧客甲。

因為群組推薦模組必須事先將使用者分配到合適的群組之中，才能繼續後續 的推薦流程，在3.2 節中，本研究事先收集分群樣本並建立一個分群模組。因此 在後續的系統實作中，使用者填寫完租屋偏好後，系統透過分群模組便可以將使 用者分配到合適的群組之中，將偏好相似的使用者分配至同一個群組之中。而為 了將使用者分配至合適的群組，我們必須計算各個使用者與各個群中心點的距 離，將使用者分配到距離最近的群中心，其計算距離的公式係採歐基里德距離 (Euclidean distance)來運算，如公式(3-1)所示：

( ) ( )

1 20

1

2 ,

, , ⎥

⎦

⎢ ⎤

⎣

⎡ −

=

∑

= j

j r j i r

i

c u c

u

d

d ( u

c

)

u

3.3.3 距離推薦模組

距離推薦模組是藉由計算使用者所在位置或所指定的位置與房屋所在地址 之間的地理性距離，依其房屋距離遠近來給予使用者相應的推薦資訊，主要的推 薦方式有兩種：使用者可以透過行動裝置上的GPS 定位管理者來回傳 GPS 定位 的地理位置並取得推薦訊息；或者使用者可以藉由系統所提供的搜尋列或地圖來 指定一個新的地理位置來接受推薦。以下將各別解釋 GPS 定位管理者的功能以 及利用GPS 定位和指定新地點兩種推薦方法。

1. GPS 定位管理者

在使用 GPS 定位管理者的功能之前，使用者必須確認行動裝置上裝有 能夠接收GPS 訊息的 GPS 晶片。然後 GPS 定位管理者便可以透過 GPS 定位晶片取得目前所在之地理位置的經度、緯度、時間等訊息，透過無 線網路服務，使用者可以將GPS 定位訊息傳送至行動租屋推薦系統中，

其回傳的訊息包括使用者帳號、經度、緯度及定位時間。

2. 依照 GPS 定位地點

系統在收到使用者的GPS 定位訊號後便可以利用 GPS 定位地點來進行 推薦運算，系統會根據所回傳的經度以及緯度作為目標座標，以該目標 座標為中心點，計算各個房屋座落地點與該中心點之間的地理性距離，

然後列出在地理距離上，由距離最近的房屋資訊開始呈現給目標顧客參 考，而用來計算距離的經緯度公式(3-2)如下所示：

)) cos(

) cos(

) cos(

) sin(

)

cos(sin(

Lx Ly Lx Ly Ox Oy a

r

D

D 為兩點之距離

r 為地球赤道半徑：6378.13 km L 為經度, O 為緯度

3. 指定新地點

除了利用 GPS 定位地點的功能外，使用者可以透過指定一個新的地點 來做為推薦的中心點，本系統結合 Google 所提供的電子地圖服務 (Google map)功能，讓使用者可以透過鍵入關鍵字來找尋並指定一個地 點或者可以直接於電子地圖上指定一個新的地點做為中心點，並在取得 新地點座標後，系統將根據該位置的經緯度、計算附近的房屋與該指定 地點之間的距離，然後依其距離遠近給予適當的房屋推薦資訊。

3.4 滿意度問卷設計 3.4.1 滿意度研究模型

從2.4 節文獻的探討中，本研究暸解了有關滿意度的定義與衡量的目標。而 從DeLone & McLean (2003)提出的資訊系統成功模式中可以得知，使用者滿意度 會受到資訊品質、系統品質、與服務品質之影響。為了研究使用者在使用行動租 屋推薦系統的功能與服務後的感受，評估系統的三種品質(系統品質、資訊品質 與服務品質)與使用者滿意度之間的影響，因此本研究形成一個初步的研究模 型，如圖3-2 所示，其模型包含系統品質、資訊品質、服務品質、使用者滿意度 等四個構面，各構面之研究變項與操作性定義如表3-2 所示，並且以資訊品質、

系統品質與服務品質作為資訊系統品質的三個重要變項，提出假設如下所示：

H1：系統品質會正向的影響使用者滿意度 H2：服務品質會正向的影響使用者滿意度 H3：資訊品質會正向的影響使用者滿意度

表3-2：操作性定義

研究構面 操作性定義

系統品質 指使用者對於使用行動租屋推薦系統的可靠性、精確性、安全性、穩定性、可近性。

服務品質 指使用者對於使用行動租屋推薦系統所提供的即時服務、互動功能、整體服務品質。

資訊品質 指使用者對於使用行動租屋推薦系統的資訊的完整性、資訊的即時性、資訊的精確 性、輸出格式、可瞭解性、正確性、可靠性。

使用者滿 意度

使用者在使用行動租屋系統時對於所接收租屋推薦服務是否符合自己的預期與整 體服務情況感覺之評價。

系統品質

服務品質

資訊品質

使用者滿意度

H1

H2

H3

圖3-2：滿意度初步研究模型 3.4.2 問卷設計

為了可以有效的衡量出使用者對於行動租屋推薦系統的觀點以及滿意程 度，本研究將參考過去實證研究之相關變數，並加以整理與修改。最後整理出符 合本研究之問卷內容(如表 3-3 所示)。共分為兩大部分，第一部分是人口統計變 項部分，主要是以性別、年齡、教育程度、職業、使用經驗等，來衡量使用者的 特性。在第二部分是問卷內容部分，共有五個構面的變數，利用李克特五點量表 來衡量，分別為：非常認同、認同、普通、不認同與非常不認同，其分別給予5、

4、3、2、1 的分數，其滿意度問卷如附錄 B 所示。