1. NCCU Academic Hub
  2. Publications
  3. College of Informatics
  4. Theses
  5. Item

Publications-Theses

Article View/Open

Publication Export

Google ScholarTM

NCCU Library

Citation Infomation

Related Publications in TAIR

題名 以使用者意見提升推薦系統效能之研究
Exploiting User Opinions for Improving Individual Recommendations
作者 林金永
貢獻者 蔡銘峰
林金永
關鍵詞 推薦系統
協同過濾
文字探勘
Recommender Systems
Collaborative Filtering
Text Mining
Factorization Machines
日期 2016
上傳時間 2-Sep-2016 01:32:47 (UTC+8)
摘要 近年來，受惠於網路的盛行及其帶來的便利性，許多網\n站得以收集到大量的使用者對於商品之評價以及評論，運用\n這些使用者的回饋資料進行分析，以更精準的進行商業行銷\n正是當今浪潮。\n而推薦系統廣泛應用於商業行銷，常用的推薦系統之計\n算理論，乃依據使用者對商品的評分進行協同式的過濾，以\n找出合適的產品給予推薦，其理論的基礎是品味相近的消費\n者應該會喜歡類似的商品，使用者對商品的評分即為此模式\n所採用的依據，例如：運用User-based Collaborative Filtering\n，可以找出與被推薦者的特徵值類似的使用者，並以類似使\n用者中較高評分的項目作為推薦清單，這種方式能得到相當\n不錯的推薦結果，且計算的運算量亦不太大。\n相較之下，以使用者對商品的文字評論作為依據的推薦\n方法則較為少見，但我們認為文字訊息在推薦系統中亦佔有\n相當份量的重要性；直覺上，將使用者的評分與其文字評論\n作結合進行分析，應可更完整呈現該使用者的意向，並進而\n應能改進推薦系統之推薦效能。在這份論文研究中，我們嘗\n試結合使用者對商品的評分與文字評論於推薦系統中，並以\n一份取自TripAdvisor.com的使用者對於飯店評價之資料集進\n行實驗，透過libFM 建立推薦模型；從實驗結果探討中印證\n了我們的想法：使用者的文字評論訊息的確能夠用以改進推\n薦系統之效能。
參考文獻 [1] G. Adomavicius and Y. Kwon. New recommendation techniques for\nmulticriteria rating systems. IEEE Intelligent Systems, 22(3):48–55,\n2007.\n[2] H. Ahn, K. Kim, and I. Han. Mobile advertisement recommender system\nusing collaborative filtering: Mar-cf. 2006.\n[3] D. Bridge and A. Waugh. Using experience on the read/write web:\nThe ghostwriter system. In Proceedings of WebCBR: The Workshop\non Reasoning from Experiences on the Web (Workshop Programme of\nthe Eighth International Conference on Case-Based Reasoning), pages\n15–24, 2009.\n[4] R. Burke. Hybrid recommender systems: Survey and experiments. User\nmodeling and user-adapted interaction, 12(4):331–370, 2002.\n[5] M. Claypool, A. Gokhale, T. Miranda, P. Murnikov, D. Netes, and\nM. Sartin. Combining content-based and collaborative filters in an online\nnewspaper. In Proceedings of ACM SIGIR Workshop on Recommender\nSystems, volume 60. Citeseer, 1999.\n[6] M. Fuchs and M. Zanker. Multi-criteria ratings for recommender systems:\nan empirical analysis in the tourism domain. In International\nConference on Electronic Commerce and Web Technologies, pages\n100–111. Springer, 2012.\n[7] K. Ganesan and C. Zhai. Opinion-based entity ranking. Information\nRetrieval, 15(2):116–150, 2012.\n33\n[8] G. Huming and L. Weili. A hotel recommendation system based on\ncollaborative filtering and rankboost algorithm. In 2010 second international\nconference on multimedia and information technology, 2010.\n[9] A. Levi, O. Mokryn, C. Diot, and N. Taft. Finding a needle in a haystack\nof reviews: cold start context-based hotel recommender system. In Proceedings\nof the sixth ACM conference on Recommender systems, pages\n115–122. ACM, 2012.\n[10] Y. Liu, X. Huang, A. An, and X. Yu. Modeling and predicting the\nhelpfulness of online reviews. In Data Mining, 2008. ICDM’08. Eighth\nIEEE International Conference on, pages 443–452. IEEE, 2008.\n[11] C. D. Manning, P. Raghavan, and H. Sch¨utze. Introduction to Information\nRetrieval. Cambridge University Press, New York, NY, USA,\n2008.\n[12] M. P. O’Mahony and B. Smyth. Learning to recommend helpful hotel\nreviews. In Proceedings of the Third ACM Conference on Recommender\nSystems, pages 305–308. ACM, 2009.\n[13] S. Rendle. Factorization machines. In Proceedings of Data Mining,\n2010 IEEE 10th International Conference on, pages 995–1000. IEEE,\n2010.\n[14] S. Rendle. Factorization machines with libFM. ACM Transactions on\nIntelligent Systems and Technology, 3(3):57:1–57:22, May 2012.\n[15] G. Salton, A. Wong, and C.-S. Yang. A vector space model for automatic\nindexing. Communications of the ACM, 18(11):613–620, 1975.\n[16] B. Sarwar, G. Karypis, J. Konstan, and J. Riedl. Item-based collaborative\nfiltering recommendation algorithms. In Proceedings of the 10th\nInternatio
描述 碩士
國立政治大學
資訊科學系碩士在職專班
101971019
資料來源 http://thesis.lib.nccu.edu.tw/record/#G0101971019
資料類型 thesis
dc.contributor.advisor 蔡銘峰zh_TW
dc.contributor.author (Authors) 林金永zh_TW
dc.creator (作者) 林金永zh_TW
dc.date (日期) 2016en_US
dc.date.accessioned 2-Sep-2016 01:32:47 (UTC+8)-
dc.date.available 2-Sep-2016 01:32:47 (UTC+8)-
dc.date.issued (上傳時間) 2-Sep-2016 01:32:47 (UTC+8)-
dc.identifier (Other Identifiers) G0101971019en_US
dc.identifier.uri (URI) https://ah.lib.nccu.edu.tw/item?item_id=114695-
dc.description (描述) 碩士zh_TW
dc.description (描述) 國立政治大學zh_TW
dc.description (描述) 資訊科學系碩士在職專班zh_TW
dc.description (描述) 101971019zh_TW
dc.description.abstract (摘要) 近年來，受惠於網路的盛行及其帶來的便利性，許多網\n站得以收集到大量的使用者對於商品之評價以及評論，運用\n這些使用者的回饋資料進行分析，以更精準的進行商業行銷\n正是當今浪潮。\n而推薦系統廣泛應用於商業行銷，常用的推薦系統之計\n算理論，乃依據使用者對商品的評分進行協同式的過濾，以\n找出合適的產品給予推薦，其理論的基礎是品味相近的消費\n者應該會喜歡類似的商品，使用者對商品的評分即為此模式\n所採用的依據，例如：運用User-based Collaborative Filtering\n，可以找出與被推薦者的特徵值類似的使用者，並以類似使\n用者中較高評分的項目作為推薦清單，這種方式能得到相當\n不錯的推薦結果，且計算的運算量亦不太大。\n相較之下，以使用者對商品的文字評論作為依據的推薦\n方法則較為少見，但我們認為文字訊息在推薦系統中亦佔有\n相當份量的重要性；直覺上，將使用者的評分與其文字評論\n作結合進行分析，應可更完整呈現該使用者的意向，並進而\n應能改進推薦系統之推薦效能。在這份論文研究中，我們嘗\n試結合使用者對商品的評分與文字評論於推薦系統中，並以\n一份取自TripAdvisor.com的使用者對於飯店評價之資料集進\n行實驗，透過libFM 建立推薦模型；從實驗結果探討中印證\n了我們的想法：使用者的文字評論訊息的確能夠用以改進推\n薦系統之效能。zh_TW
dc.description.tableofcontents 1 Introduction 1\n2 Related Work 5\n2.1 文字探勘（Text Mining） 5\n2.2 協同過濾（Collaborative Filtering） 7\n2.2.1 以使用者為基礎（User-based）的協同過濾 8\n2.2.2 以項目為基礎（Item-based）的協同過濾 9\n2.2.3 以模型為基礎（Model-based）的協同過濾 10\n2.3 基於內容的過濾（Content-Based Filtering） 10\n2.4 混合式推薦系統（Hybrid Recommender Systems） 11\n2.5 飯店推薦的相關研究工作 12\n3 Methodology 15\n3.1 分解機器函式庫（Factorization Machine Library） 15\n3.2 資料集與文字前處理（Datasets and Preprocessing steps） 18\n3.2.1 資料集 18\n3.2.2 使用者對飯店評分的分布情形 19\n3.2.3 文字前處理 19\n3.2.4 文字評論資料集統計 21\n4 Experimental Results 23\n4.1 評量指標（Evaluation Metrics） 23\n4.2 實驗設定（Experimental Settings） 24\n4.2.1 實驗程序（Experimental Procedure） 26\n4.3 實驗結果（Experimental Results） 27\n4.3.1 libFM Regression實驗結果 27\n4.3.2 libFM Binary Classification實驗結果 28\n4.4 討論與分析（Discusssion and Analysis） 29\n5 Conclusions and Future work 31zh_TW
dc.format.extent 1115837 bytes-
dc.format.mimetype application/pdf-
dc.source.uri (資料來源) http://thesis.lib.nccu.edu.tw/record/#G0101971019en_US
dc.subject (關鍵詞) 推薦系統zh_TW
dc.subject (關鍵詞) 協同過濾zh_TW
dc.subject (關鍵詞) 文字探勘zh_TW
dc.subject (關鍵詞) Recommender Systemsen_US
dc.subject (關鍵詞) Collaborative Filteringen_US
dc.subject (關鍵詞) Text Miningen_US
dc.subject (關鍵詞) Factorization Machinesen_US
dc.title (題名) 以使用者意見提升推薦系統效能之研究zh_TW
dc.title (題名) Exploiting User Opinions for Improving Individual Recommendationsen_US
dc.type (資料類型) thesisen_US
dc.relation.reference (參考文獻) [1] G. Adomavicius and Y. Kwon. New recommendation techniques for\nmulticriteria rating systems. IEEE Intelligent Systems, 22(3):48–55,\n2007.\n[2] H. Ahn, K. Kim, and I. Han. Mobile advertisement recommender system\nusing collaborative filtering: Mar-cf. 2006.\n[3] D. Bridge and A. Waugh. Using experience on the read/write web:\nThe ghostwriter system. In Proceedings of WebCBR: The Workshop\non Reasoning from Experiences on the Web (Workshop Programme of\nthe Eighth International Conference on Case-Based Reasoning), pages\n15–24, 2009.\n[4] R. Burke. Hybrid recommender systems: Survey and experiments. User\nmodeling and user-adapted interaction, 12(4):331–370, 2002.\n[5] M. Claypool, A. Gokhale, T. Miranda, P. Murnikov, D. Netes, and\nM. Sartin. Combining content-based and collaborative filters in an online\nnewspaper. In Proceedings of ACM SIGIR Workshop on Recommender\nSystems, volume 60. Citeseer, 1999.\n[6] M. Fuchs and M. Zanker. Multi-criteria ratings for recommender systems:\nan empirical analysis in the tourism domain. In International\nConference on Electronic Commerce and Web Technologies, pages\n100–111. Springer, 2012.\n[7] K. Ganesan and C. Zhai. Opinion-based entity ranking. Information\nRetrieval, 15(2):116–150, 2012.\n33\n[8] G. Huming and L. Weili. A hotel recommendation system based on\ncollaborative filtering and rankboost algorithm. In 2010 second international\nconference on multimedia and information technology, 2010.\n[9] A. Levi, O. Mokryn, C. Diot, and N. Taft. Finding a needle in a haystack\nof reviews: cold start context-based hotel recommender system. In Proceedings\nof the sixth ACM conference on Recommender systems, pages\n115–122. ACM, 2012.\n[10] Y. Liu, X. Huang, A. An, and X. Yu. Modeling and predicting the\nhelpfulness of online reviews. In Data Mining, 2008. ICDM’08. Eighth\nIEEE International Conference on, pages 443–452. IEEE, 2008.\n[11] C. D. Manning, P. Raghavan, and H. Sch¨utze. Introduction to Information\nRetrieval. Cambridge University Press, New York, NY, USA,\n2008.\n[12] M. P. O’Mahony and B. Smyth. Learning to recommend helpful hotel\nreviews. In Proceedings of the Third ACM Conference on Recommender\nSystems, pages 305–308. ACM, 2009.\n[13] S. Rendle. Factorization machines. In Proceedings of Data Mining,\n2010 IEEE 10th International Conference on, pages 995–1000. IEEE,\n2010.\n[14] S. Rendle. Factorization machines with libFM. ACM Transactions on\nIntelligent Systems and Technology, 3(3):57:1–57:22, May 2012.\n[15] G. Salton, A. Wong, and C.-S. Yang. A vector space model for automatic\nindexing. Communications of the ACM, 18(11):613–620, 1975.\n[16] B. Sarwar, G. Karypis, J. Konstan, and J. Riedl. Item-based collaborative\nfiltering recommendation algorithms. In Proceedings of the 10th\nInternatiozh_TW