应用社会网路分析于学术社群推荐.PPT

應用社會性推薦於學術社群 Using Social Recommendation in Academic Community 柯皓仁國立台灣師範大學圖書資訊學研究所 粘怡祥 國立交通大學資訊管理研究所 大綱 緒論 相關文獻 研究方法 系統發展與實證分析 結論與建議 緒論 研究背景與動機 資訊過載(Information Overload) 搜尋引擎與推薦系統的出現，成為改善資訊過載問題的兩大利器 使用者除了本身的主觀喜好之外，其行為容易受到人際關係的影響 虛擬社群與社會網路，成為許多使用者獲得資訊情報的最佳來源 本研究探討如何運用社會網路提升資訊推薦的品質 研究目的 本研究希望透過主題概念萃取與社會網路分析，建構資訊推薦系統，藉此達到以下的目標： 主題概念萃取：萃取出文件中的重要關鍵字 利用關鍵字分群的方式，達到主題概念萃取的目的，藉以瞭解使用者所關注的興趣與議題 形成主題社群 以向量空間模型表示使用者的個別興趣，並結合使用者社會網路，將相似度高且具有相同主題興趣的使用者群聚在一起，以形成主題社群 資訊推薦 經由主題社群的產生，針對使用者個人的主題偏好，進行個人化推薦 相關研究 社會網路分析 社會網路分析(Social Network Analysis)是一種研究社會結構、組織系統、人際關係、團體互動的概念與方法，是在社會計量學基礎上所發展出來的分析方法 社會網路分析研究領域中，最著名的理論之一為「六度分隔」理論[40] 最初利用信件傳遞實驗，發現從寄件者到收件者之間，平均轉寄了六次 指互不相干的兩個人，最多可經由五個中介者連結出某種關係 社會網路示意圖 社會網路分析(Cont.) 在社會網路分析中，個別行動者的量測指標主要有以下三項[21]： Degree—number of direct connections Betweenness—role of broker or gatekeeper Closeness Centrality—who has the shortest path to all others Clustering Algorithm Partitioning methods k-Means Hierarchical methods Agglomerative Divisive Model-based methods Self-Organizing Map Clustering Algorithm (續) Partitioning methods k-Means Hierarchical methods Agglomerative Divisive Model-based methods Self-Organizing Map Clustering Algorithm (續) Partitioning methods k-Means Hierarchical methods Agglomerative Divisive Model-based methods Self-Organizing Map 推薦系統 推薦系統的目的是從大量資訊中找出使用者最可能感興趣的部份，減少使用者主動搜尋的機會成本 目前常應用在推薦系統的方法主要有兩種 內容導向(Content-based)式推薦 協同過濾(Collaborative Filtering)式推薦 資訊檢索—向量空間模型 The vector model ranks the documents according to their degree of similarity to the query, and retrieve the documents with a degree of similarity above a threshold Define Weight wi,j associated with a pair (ki, dj) is positive and non-binary (t is the total number of index terms) The index terms in the query are also weighted wi,q is the weight associated with the pair [ki, q], where wi,q = 0 (t is the total number of index terms) Degree of similarity of dj with regard to q: