一般提升推薦系統通常使用之方法，係利用用戶與商品的特徵，例如性別、年級、系所或是分類號等作分群以提升準確率，也有部分利用分群方法減少次序分析運算量，而較少著重交易發生時間點因素之考量。但一個人之興趣與行為，在實際與理論上的確會受時間影響。本文使用之借閱推薦方法考慮時間加權之因素，並為克服用戶身份識別問題，在過去研究的兩層式物推薦物方法基礎上，觀察時間因素在圖書借閱推薦中的影響效果。為了解決資料稀疏之問題，而且續借也是另一種形式之借出，故本文也將把續借視作一次借閱事件納入評估觀察，並探討各種評估條件組合的情況下時間加權之表現。之後納入用戶分群方法，針對不同用戶群強弱化調整其借閱事件權重，以觀察其效果。結果發現在各種不同條件組合之下，考慮時間加權的圖書推薦方法確實有較佳的精確率與召回率結果。在資料較不稀疏情況下，時間加權方法的表現提升更為顯著。而在利用分群法弱化狂熱群並強化一般群後，系統精確率表現也更佳。

To enhance the performance of recommender systems, it is common to use the user or item features, such as gender, grades, departments or call numbers for clustering to improve the precision. Some works use clustering to reduce the computation time in sequence analysis. It is less often to find works taking the transaction time into account in recommendation. But in theory and practice personal interest and behavior often change with time. Based on a two-tier item-to-item collaborative recommendation method to accommodate the user identity problem, this work considers the time factor in book recommendation. To reduce the data sparsity problem, the renewal transaction is also regarded as a kind of checkout transaction. Then this work also considers user clustering to adjust the weight of borrow event based on different user groups. The experimental results show that under different combination of conditions the time weighted book recommendation method always performs better than the original method in precision and recall. On a less sparse data set, the time weighted book recommendation method also improves more significantly. When using the user clustering method to weaken the fanatic group and strengthen the normal group, the result also improves better in precision.

目錄
第壹章、緒論1
一、研究背景1
二、研究動機1
第貳章、文獻探討3
一、推薦系統3
二、未使用時間加權概念的圖書推薦系統5
三、使用時間加權概念的推薦系統8
四、Mahout機器學習軟體12
第參章、研究方法14
一、問題陳述14
二、時間加權法16
三、時間加權應用於陳的人推薦物內嵌物推薦物架構方法20
四、用戶分群21
五、各方法流程示意圖23
第肆章、實驗27
一、資料來源及前處理27
二、實驗步驟29
三、實驗結果31
第伍章、結論與未來展望53
一、結論53
二、未來展望54
第陸章、文獻探討55
第柒章、附錄57

圖目錄
圖3.1、研究流程圖15
圖3.2、強弱化狂熱與一般群用戶之借閱權重使兩者區間重疊之示意圖22
圖3.3、協同方法(CO)流程示意圖23
圖3.4、TimeCO流程示意圖24
圖3.5、Filtered-TimeCO流程示意25
圖3.6、用戶分群流程示意圖26
圖4.1、不含本身也不含書類號排序各方法比較33
圖4.2、不含本身但含書類號排序各方法比較36
圖4.3、含本身但不含書類號排序各方法比較38
圖4.4、包含本身及含書類號排序各方法比較41
圖4.5、13種衰減值結果比較圖43
圖4.6、納入0衰減值，包含本身且含書類號排序的人推薦物內嵌物推薦物架構方法比較44
圖4.7、各資料集與推薦方法之最佳組合總比較圖45
圖4.8、不同分群門檻值γ與一般群強化參數δ組合之比較46
圖4.9、提供圖書推薦網路服務示意圖48
圖4.10、網路服務製作概要49
圖4.11、書推薦書的CO方法推薦結果50
圖4.12、書推薦書的Filtered-TimeCO+分群方法推薦結果50
圖4.13、人推薦書的CO方法推薦結果51
圖4.14、人推薦書的Filtered-TimeCO+分群方法推薦結果52

表目錄
表2.1、原田等人(2010)提出的5種推薦模式之問卷評估結果9
表2.2、文獻整理11
表3.1、原始資料集(s)之資料欄位16
表3.2、事件權重逐月衰減之資料集(w)18
表3.3、不過濾條碼之事件綜合權重資料集說明19
表3.4、過濾條碼之事件綜合權重資料集說明19
表4.1、淡江圖書館流通紀錄格式27
表4.2、只考慮借出事件的訓練測試集統計28
表4.3、考慮借出及續借事件的訓練測試集統計29
表4.37、13種衰減值結果比較表42
表4.38、本文中各資料集與推薦方法最佳組合10*10矩陣總平均比較48
表4.39、書推薦書結果比較51
表4.40、人推薦書結果比較52
表4.4、不含本身也不含書類號排序的CO方法精確率與召回率57
表4.5、不含本身也不含書類號排序的TimeCO方法精確率與召回率59
表4.6、不含本身也不含書類號排序的Filtered-TimeCO方法精確率與召回率61
表4.7、不含本身但含書類號排序的CO方法精確率與召回率63
表4.8、不含本身但含書類號排序的TimeCO方法精確率與召回率65
表4.9、不含本身但含書類號排序的Filtered-TimeCO方法精確率與召回率67
表4.10、含本身但不含書類號排序的CO方法精確率與召回率69
表4.11、含本身但不含書類號排序的TimeCO方法精確率與召回率71
表4.12、含本身但不含書類號排序的Filtered-TimeCO方法精確率與召回率73
表4.13、包含本身且含書類號排序的CO方法精確率與召回率75
表4.14、包含本身且含書類號排序的TimeCO方法精確率與召回率77
表4.15、包含本身且含書類號排序的Filtered-TimeCO方法精確率與召回率79
表4.16、含續借資料集採衰減值0，Filtered-TimeCO方法精確率與召回率81
表4.17、含續借資料集採衰減值0.1，Filtered-TimeCO方法精確率與召回率82
表4.18、含續借資料集採衰減值0.2，Filtered-TimeCO方法精確率與召回率83
表4.19、含續借資料集採衰減值0.3，Filtered-TimeCO方法精確率與召回率84
表4.20、含續借資料集採衰減值0.4，Filtered-TimeCO方法精確率與召回率85
表4.21、含續借資料集採衰減值0.5，Filtered-TimeCO方法精確率與召回率86
表4.22、含續借資料集採衰減值0.6，Filtered-TimeCO方法精確率與召回率87
表4.23、含續借資料集採衰減值0.7，Filtered-TimeCO方法精確率與召回率88
表4.24、含續借資料集採衰減值0.8，Filtered-TimeCO方法精確率與召回率89
表4.25、含續借資料集採衰減值0.9，Filtered-TimeCO方法精確率與召回率90
表4.26、含續借資料集採衰減值0.999999，Filtered-TimeCO方法精確率與召回率91
表4.27、含續借資料集採衰減值0.999999，TimeCO方法精確率與召回率92
表4.28、含續借資料集採CO方法精確率與召回率93
表4.29、Mahout含續借資料集之結果94
表4.30、分群門檻值γ=1與一般群強化參數δ組合之比較95
表4.31、分群門檻值γ=0.9與一般群強化參數δ組合之比較95
表4.32、分群門檻值γ=0.8與一般群強化參數δ組合之比較96
表4.33、分群門檻值γ=0.7與一般群強化參數δ組合之比較96
表4.34、分群門檻值γ=0.6與一般群強化參數δ組合之比較97
表4.35、分群門檻值γ=0.5與一般群強化參數δ組合之比較97
表4.36、Mahout不含續借資料集之結果98

[1]林友宣，「時間加權之合作過濾推薦系統」，國立台灣大學資訊工程學研究所未發表碩士論文，2006。
[2]莊宛螢， 「加權移動視窗模式之圖書資料探勘」，私立明新科技大學資訊管理研究所未發表碩士論文，2006。
[3]康勝修，「應用資料探勘技術於圖書館借閱紀錄分析與館藏查詢服務」，國立雲林科技大學資訊管理研究所未發表碩士論文，2006。
[4]陳慶宇，「圖書館推薦系統之建置-以淡江圖書館資料為例」，私立淡江大學資訊管理學研究所未發表碩士論文，2014。
[5]曾勇森，「利用資料探勘技術增進圖書館之服務效益」，私立南台科技大學資訊管理研究所未發表碩論文，2003。
[6]戴玉旻，「圖書館借閱紀錄探勘系統」，國立交通大學資訊科學研究所未發表碩士論文，2002。
[7]原田隆史、増田浩佑，「貸出記録を用いた図書推薦システムにおける重みづけの変更」，Digital Libraries，38，54-66，2010。
[8]A. Alsalama, “A Hybrid Recommendation System Based on Association Rules, ” Master Thesis, Department of Computer Science, Western Kentucky University, 2013.
[9]C. Basu, H. Hirsh, and W. Cohen, “Recommendation as classification: using social and content-based information in recommendation,” Proceedings of the 15th National Conference on Artificial Intelligence (AAAI’98), 714–720, 1998.
[10]D. Billsus and M. J. Pazzani, “Learning collaborative information filters,” Proceedings of the 15th International Conference on Machine Learning (ICML’98), 46–54,1998.
[11]R. Burke, “Knowledge-based recommender systems,” Encyclopedia of Library and Information Science, 69 (32), 180–200, 2000.
[12]Y. Ding,X. Li, “Time weight collaborative filtering, ” CIKM '05 Proceedings of the 14th ACM International Conference on Information and Knowledge Management, 485-492, 2005.
[13]D. Goldberg, D. Nichols, B. M. Oki, and D. Terry, “Using collaborative filtering to weave an information tapestry, ” Communications of the ACM, 35(12), 61-70, 1992.
[14]J. Han, J. Pei, and Y. Yin,“Mining Frequent Patterns without Candidate Generation,” ACM SIGMOD International Conference on Management of Data,241-250,2000.
[15]J. Han, M. Kamber, Data Mining: Concepts and Techniques, 2nd Ed., Morgan Kaufmann,2006.
[16]Z. Huang, W. Chung, T. Ong, H. Chen,“A Graph-based Recommender System for Digital Library,”JCDL '02 Proceedings of the 2nd ACM/IEEE-CS Joint Conference on Digital Libraries,65-73,2002.
[17]D. Jannach, M. Zanker, A. Felfernig, G. Friedrich, Recommender Systems: An Introduction, Cambridge,2011.
[18]M. Kantardzic,Data Mining: Concepts, Models, Methods, and Algorithms, Wiley, 2011.
[19]Y. Koren, “Collaborative filtering with temporal dynamics, ” Communications of the ACM, 53 (4), 89-97, 2010.
[20]S. Liao, K. Kao, I. Liao, H. Chen, S. Huang, “PORE: a personal ontology recommender system for digital libraries,” The Electronic Library, 27(3),496-508, 2009.
[21]S. Owen, R. Anil, T. Dinning, E. Friedman, Mahout in Action, Manning Publications, 2012.
[22]M. J. Pazzani, D. Billsus, “Content-Based Recommendation Systems, ”ICML '98 Proceedings of the Fifteenth International Conference on Machine Learning, 46-54,2007.
[23]G. Rabello Lopes,M. Aparecida Martins Souto,L. Krug Wives,J. Palazzo Moreira de Oliveira, “A Personalized Recommender System for Digital Libraries”, WebMedia '08 Proceedings of the 14th Brazilian Symposium on Multimedia and the Web,59-66,2008.
[24]F. Heylighen, J. Bollen, “Hebbian algorithms for a digital library recommendation system, ” Proceedings of International Conference on Parallel Processing Workshops,439-446,2002.