研究方法-TANet知识应用服务中心.PPTVIP

植基於本體論的個人化 RSS 推薦系統的設計與實作The Design and Implementation of An Ontology-based Personalized RSS Recommendation System 趙漢強、廖宜恩、高國峰 大綱 研究動機 主要貢獻 相關研究 研究方法 系統模組 系統實作 實驗結果與分析 結論與未來研究方向 研究動機 RSS 被廣泛使用於傳輸資訊，網路上有無數的RSS的新聞頻道，與其中的即時資訊。 使用者需要一個過濾訊息的工具，依據使用者訂閱RSS新聞頻道，提供個人化服務。 本研究希望在現有的RSS閱覽器(Reader)上，設計個人化推薦系統，以提供符合使用者興趣的RSS資訊。 主要貢獻 本論文提出了一個以本體論為基礎的RSS推薦系統，針對使用者訂閱的新聞頻道提供個人化服務。 本系統的優點 利用本體論找出新聞頻道的關係產生推薦 提供新聞興趣值供使用者排序 提供更新推薦的機制 使用者回饋 Sliding Windows 研究方法 研究方法 RSS新聞頻道的特性 包含某方面(領域)的資訊 即時性的新聞資訊 系統需求 本體論 運用訂閱新聞頻道間的關係 文件分類 自動分類新的新聞資訊 Sliding Window and FeedBack 維持使用者興趣的模型 興趣值計算 考慮時間計算興趣值 呈現興趣值將推薦新聞排序 研究方法 本體論 定義 定義領域知識概念並定義概念間關係 參考本體論 特殊化的關係 研究方法 使用者(個人)本體論 每一點為新聞頻道 新聞頻道為一概念 頻道間的關係 參考本體論?個人本體論 從使用者訂閱的新聞頻道對應本體論的概念獲得 研究方法 計算子類別對父類別影響比例 研究方法 文件分類 找尋分類使用者興趣文件的規則 1.前置處理 使用者閱讀的記錄?關鍵詞的組合 有閱讀?正，沒閱讀?負 2.特徵選擇 TFIDF 字頻 反相文件頻 選擇4個特徵 3.產生分類規則 SVM分類模型 預測使用者的興趣 研究方法 更新使用者興趣模型 Sliding Window 以14天區間內的使用者閱讀記錄為訓練資料 FeedBack 正回饋（Positive Feedback）與負回饋（Negative Feedback） 修改相關於回饋之推薦資料的訓練資料的類別 推薦新聞為正回饋 相關訓練資料為負?正 推薦新聞為負回饋 相關訓練資料為正?負 不推薦新聞為負回饋 相關訓練資料負?正 研究方法 關鍵詞興趣度計算 關鍵詞的相關量度 正頻率 負頻率 正文件頻率 負文件頻率 圖例 正頻率：5 負頻率：3 正文件頻率：2 負文件頻率：2 關鍵詞的興趣值： 研究方法 新聞興趣值計算 預測新聞中特徵詞的數目 若為子新聞頻道推薦，則考慮子新聞頻道閱讀比例 研究方法 新聞興趣值計算 時間特性 愈近時間的記錄影響較大 7個槽 1槽記錄2天的資訊 分為3個區段計算新聞興趣值 系統模組 應用介面 記錄模組 訓練模組 預測模組 系統模組 應用介面 軟體和後端模組連結的中間層 使用者閱讀的記錄 使用者訂閱頻道的關係 呈現預測的資訊 系統模組 記錄模組 新聞頻道的資訊 新聞的資訊與有閱讀與否 記錄回饋(Feedback)資訊 系統模組 訓練模組 使用者本體論 針對每個新聞頻道 Sliding Window Feedback 文件分類：產生預測使用者興趣的模型 系統模組 預測模組 文件分類：預測新聞是否使用者感興趣 興趣值計算 系統實作 實作環境 記錄模組 訓練模組 預測模組 系統畫面 系統實作 實作環境 RSSOwl RSS Reader Open Source Mysql DataBase LIBSVM SVM分類器 CKIP 中文斷詞服務 系統實作 RSSOwl 軟體 操作 系統實作 記錄模組 記錄在資料庫中 使用者閱讀的頻道資訊 由RSSOwl的物件取得 新聞頻道資訊 and 新聞的資訊 閱讀資訊 點擊新聞?閱讀 由切換視窗或關閉瀏覽的視窗取得閱讀時間 回饋 由新聞右鍵之後以選單的方式寫入資料庫 系統實作 系統畫面 推薦畫面 系統實作 系統畫面 訓練進行 系統實作 系統畫面 回饋選單 實驗結果與分析 實驗設計 實驗結果 實驗現象與分析 實驗結果與分析 實驗設計 定義使用者對每一推薦新聞滿意度的分數 “非常滿意” : 0.9 “滿意” : 0.7 “普通” : 0.5 “不滿意” : 0.3 “非常不滿意” : 0.1 實驗結果與分析 實驗設計 推薦效果評估 平均滿意度 排序分數度量值(Rank Score Measure) 系統誤判率 系統錯誤判別推薦或不推薦的比例 實驗結果與分析 實驗設計 10人使用 訂閱蕃薯藤運動網提供的RSS 依喜愛訂閱新聞頻道 包含運動頻道，與子分類的新聞頻道：棒球、籃