隨著「無線化」與「行動化」的連網技術日趨成熟，網際網路可以在不受時空的限制下使用，更加速了資訊產業的發展。各式各樣的虛擬商品也更被廣為使用、買賣和散布，人們在虛擬世界中進行互動的需求與商品的交易，是相輔相成的，未來數年應該還能帶來巨大的利潤與成長(王維聰、張文鴻, 2009)。
故本研究欲以臉書Facebook (FB)的使用者為主體，以資料採礦為方法，歸納使用者接受資訊及購物及加值服務偏好之習慣，探討在社群中，FB使用者、FB社群工具、廠商三者之間的相互關係。
本研究以839份使用者為樣本，透過集群分析(Clustering analysis)研究結果將分為三個集群，並且運用關聯法則(Association rules )挖掘出有用的資訊和知識且找出相似性的消費特徵，當使用者在FB平台使用工具，利用促銷活動來推薦適合的產品或資訊給予使用者，進而提供企業廠商選擇適當的促銷活動和廣告，以及對使用者於未來FB社群網路平台之加值服務偏好行為，來建議FB社群網站商業模式規劃與操作取向之參考。

As the technology of “wireless” and “mobility” of networking grows mature, the use of internet can be utilized without the constraint of time and space, which boosts the development of information technology nowadays. A big variety of virtual commodities are used, marketed, and spread in a wider extent. The needs of interaction with people are complementary with the trading of goods in the virtual world. Therefore, a remarkable profit and growth in this industry still can be expected in a couple of years ( Wang & Chang , 2009).
This study focuses on the analysis of Facebook users to conclude the habits of their information sourcing and shopping preference with a further attempt to discuss the relationship between Facebook users, Facebook networking functions and the business operators in the social community.
This study adopts 839 users as samples, dividing the research result into three clusters while Association rules are applied to bring out more useful information and knowledge for the finding of smiliar traits and qualities of consumers' habits. As a consequence, this study result can be taken as a reference for the industries or companies to recommend the best products or information to the users through the promotion activities, as well as a key factor for their decision on the selection of product promotion, advertising, and timing with a reference to the functions of Facebook platform.

目錄
謝辭	I
中文摘要	II
英文摘要	III
目錄	IV
表目錄	VIII
圖目錄	X
第一章緒論
1.1研究背景與動機1
1.2研究問題與目的7
1.3研究方法與流程7
第二章文獻探討
2.1 臉書Facebook(FB)9
2.1.1 Facebook(FB)發展10
2.1.2 F acebook(FB)社群及科技功能11
2.1.3小結	15
2.2虛擬社群16
2.2.1虛擬社群之定義	16
2.2.2虛擬社群之分類	17
2.2.3小結	20
2.3 加值服務21
2.3.1加值服務之定義	21
2.3.2加值服務之核心	21
2.3.3小結	23
2.4促銷23
2.4.1促銷之定義23
2.4.2促銷之方式24
2.4.3 小結24
2.5推薦機制24
2.5.1推薦機制之定義	25
2.5.2推薦機制之技術	26
2.5.3推薦機制之種類	27
2.5.4小結	28
2.6資料採礦28
2.6.1資料採礦之定義	28
2.6.2資料採礦之功能	31
2.6.3資料採礦之流程	33
2.6.4小結	36
第三章研究方法
3.1研究設計與架構37
3.2系統架構與資料庫設計38
3.2.1系統架構與流程	38
3.3資料庫的設計與建立關聯性資料庫40
3.3.1概念性資料庫40
3.3.2邏輯性資料庫43
3.3.3實體資料料庫45
3.4問卷設計與發放45
3.4.1問卷設計45
3.4.2抽樣方法	47
3.4.3問卷發放	47
3.5關聯法則與集群分析48
3.5.1關聯法則	48
3.5.2 Apriori演算法	49
3.5.3 集群分析	52
3.5.4資料分析軟體SPSS  Modeler52
第四章實證分析
4.1回收樣本結構描述	54
4.2 TWO-STEP集群分析之探勘56
4.2.1分群後的使用者輪廓59
4.3使用者輪廓之推薦機制之探勘	64
4.4各功能之「食、衣、精品、育樂、公益」與促銷活動之推薦機制分析	69
4.4.1集群一(年輕娛樂型)「食、衣、精品、育樂、公益」之推薦機制分析	69
4.4.1.1小結	73
4.4.2集群二(家庭型)「食、衣、精品、育樂、公益」推薦機制分析	75
4.4.2.1小結	79
4.4.3集群三(健身樂活型)「食、衣、精品、育樂、公益」推薦機制分析	80
4.4.3.1小結	85
4.5潛在團購市場之虛實整合之推薦機制分析─粉絲團與社團	87
4.5.1集群一(年輕娛樂型)使用目的之訊息接收之推薦分析─社團與粉絲團	87
4.5.2集群二(家庭型)使用目的之訊息接收之推薦分析─社團與粉絲團	89
4.5.3集群三(健身樂活型)使用目的之訊息接收之推薦分析─社團與粉絲團	91
4.5.4小結	92
4.6使用者輪廓與加值服務之探勘分析	94
4.6.1集群一(年輕娛樂型)與加值服務之關聯探勘	95
4.6.2群二(家庭型)與加值服務之關聯探勘	96
4.6.3集群三(健身樂活型)與加值服務之關聯探勘	97
4.6.4小結	98
第五章結論與後續研究建議
5.1研究結論	99
5.2管理意涵	100
5.2.1 FB的商業模式	101
5.2.2 FB的行銷手法	102
5.3研究限制	109
5.4後續研究建議	110
參考文獻
一、中文參考資料	111
二、英文參考文獻	113
三、網路資料	117
附錄一、正式問卷	118
表目錄
表1-1	台灣社群網站流量表	2
表1-2	各網路社群平台使用行為彙整	2
表1-3	2013年9月15-24歲族群使用社群媒體以不同指標排序表	3
表1-4 	2013年台灣網站100強前30名	5
表2-1	Facebook發展之歷史紀事	10
表2-2	社團與紛絲專頁之比較	14
表2-3	虛擬社群的定義	16
表2-4	虛擬社群之成員分類相關文獻	17
表2-5	Facebook使用者的12種類型	19
表2-6	加值服務的定義	21
表2-7	促銷的定義	23
表2-8	推薦機制的定義	25
表2-9	資料採礦的定義	29
表2-10	資料探勘之功能	33
表2-11	資料採礦之流程	35
表3-1 	介紹本研究中E-R圖中所使用到的符號	41
表3-2	資料採礦軟體之使用頻率調查	53
表4-1	問卷回收統計表	54
表4-2	使用者基本資料統計表	55
表4-3 	Two-step分群變數	61
表4-4	集群分析與產品資訊偏好之整理	67
表4-5	集群一(年輕娛樂型)社群、科技功能與「食」偏好之關聯法則	70
表4-6	集群一(年輕娛樂型)社群、科技功能與「衣」偏好之關聯法則	71
表4-7	集群一(年輕娛樂型)社群、科技功能與「精品」偏好之關聯法則	72
表4-8		集群一(年輕娛樂型)社群、科技功能與「育樂」偏好之關聯法則	72
表4-9	集群一(年輕娛樂型)社群、科技功能與「公益」偏好之關聯法則	73
表4-10	集群一之不同社群功能與科技功能與促銷活動之推薦整理表	74
表4-11	集群二(家庭型)社群、科技功能與「食」偏好之關聯法則	76
表4-12	集群二(家庭型)社群、科技功能與「衣」偏好之關聯法則	77
表4-13	集群二(家庭型)社群、科技功能與「精品」偏好之關聯法則	77
表4-14	集群二(家庭型)社群、科技功能與「育樂」偏好之關聯法則	78
表4-15	集群二(家庭型)社群、科技功能與「公益」偏好之關聯法則	79
表4-16	集群二不同社群功能與科技功能與促銷活動之推薦整理表	79
表4-17	集群三(健身樂活型)社群、科技功能與「食」偏好之關聯法則	82
表4-18	集群三(健身樂活型)社群、科技功能與「衣」偏好之關聯法則	82
表4-19	集群三(健身樂活型)社群、科技功能與「精品」偏好之關聯法則	83
表4-20	集群三(健身樂活型)社群、科技功能與「育樂」偏好之關聯法則	84
表4-21	集群三(健身樂活型)社群、科技功能與「公益」偏好之關聯法則	84
表4-22	集群三不同社群功能與科技功能與促銷活動之推薦整理表	85
表4-23	集群一(年輕娛樂型)粉絲專頁之訊息接收之關聯法則	88
表4-24	集群一(年輕娛樂型)社團之訊息接收之關聯法則	89
表4-25	集群二(家庭型)粉絲專頁之訊息接收之關聯法則	90
表4-26	集群二(家庭型)社團之訊息接收之關聯法則	90
表4-27	集群三(健身樂活型)粉絲專頁之訊息接收之關聯法則	91
表4-28	集群三(健身樂活型)社團之訊息接收之關聯法則	92
表4-29	粉絲專頁與社團與接受方式之整理表	93
表4-30	加值服務收費之區分	94
表4-31	三個集群之加值服務偏好之整理	98
表5-1	Facebook目前之廣告推薦	102
表5-2	本研究Facebook推薦機制表	103
圖目錄
圖1-1	2002年─2013年上網人數比較	1
圖1-2	Facebook每年用戶數量圖	4
圖1-3	全球網站流量排名	4
圖1-4	研究流程圖	8
圖2-1	Facebook登入註冊網頁示意圖	9
圖2-2	Facebook個人網頁示意圖	15
圖2-3	Facebook首頁網頁示意圖	15
圖2-4	資料採礦程序圖	34
圖3-1	研究架構圖	38
圖3-2	系統架構圖	39
圖3-3	概念性資料庫設計E-R 圖	42
圖3-4	邏輯性資料庫E-R 圖	44
圖3-5	實體資料庫關聯圖	45
圖3-6	問卷架構圖	46
圖3-7 	Apriori 演算法產生之後選項目集合與高頻項目集合	51
圖4-1	資料節點串流圖	56
圖4-2	兩步驟分群結果摘要圖	57
圖4-3	Two-step集群分佈圖(1)	57
圖4-4 	Two-step集群分佈圖(2)	58
圖4-5	資料探勘模型	64
圖4-6	加值服務之關聯圓圈配置圖	64
圖4-7	階梯式光譜圖	65
圖4-8	各功能使用之產品資訊與促銷活動之推薦機制分析關聯	65
圖4-9	粉絲團與社團之推薦機制分析關聯	66
圖4-10	使用者輪廓與加值服務之探勘分析	66
圖4-11	集群一(年輕娛樂型)社群、科技功能之關聯法則圓圈配置圖	69
圖4-12	集群一(年輕娛樂型)社群、科技功能偏好階梯式光譜圖	70
圖4-13	集群二(家庭型)社群、科技功能之關聯網路配置圖	75
圖4-14	集群二(家庭型)社群、科技功能偏好階梯式光譜圖	75
圖4-15	集群三(健身樂活型)社群、科技功能之關聯格線配置圖	81
圖4-16	集群三(健身樂活型)社群、科技功能偏好階梯式光譜圖	81
圖4-17	集群一(年輕娛樂型)粉絲專頁加入原因之關聯圓圈配置圖	87
圖4-18	集群一(年輕娛樂型)社團加入原因之關聯圓圈配置圖	88
圖4-19	集群二(家庭型)粉絲專頁加入原因之關聯格線配置圖	89
圖4-20	集群二(家庭型)社團加入原因之關聯格線配置圖	90
圖4-21	集群三(健身樂活型)粉絲專頁加入原因之關聯圓圈配置圖	91
圖4-22	集群三(健身樂活型)社團加入原因之關聯圓圈配置圖	92
圖4-23	集群一(年輕娛樂型)加值服務偏好之關聯圓圈配置圖	95
圖4-24	集群一(年輕娛樂型)加值服務偏好階梯式光譜圖	95
圖4-25	集群二(家庭型) 加值服務偏好之關聯圓圈配置圖	96
圖4-26	集群二(家庭型) 加值服務偏好階梯式光譜圖	96
圖4-27	集群三(健身樂活型)社加值服務偏好之關聯網路配置圖	97
圖4-28	集群三(健身樂活型)加值服務偏好階梯式光譜圖	97
圖5-1	廣告文的關注程度圖	104
圖5-2	集群一(年輕娛樂型)產品資訊與促銷活動之行銷知識地圖	105
圖5-3	集群二(家庭型)產品資訊與促銷活動之行銷知識地圖	106
圖5-4	集群三(健身樂活型)產品資訊與促銷活動之行銷知識地圖	107
圖5-5	粉絲專頁與社團之行銷地圖	108
圖5-6	行銷地圖─加值服務設立	109

一.中文部分
1.王維聰、張文鴻(2009)。虛擬商品與電子商務。科學發展2009年10月，第442期。
2.王孟邦(2001)。虛擬社群管理、社群績效、與獲利模式關係之探討。國立政治大學資訊管理研究所碩士論文。台北市。
3.尹相志(2004)。資料採礦－網際網路應用與顧客價值管理。台北市：維科。
4.李麗雲(2003)。行動電話加值服務經營模式之研究。國立交通大學經營管理研究所碩士論文。新竹市。
5.李驥(2002)。行動加值服務業者進軍大陸市場策略分析，以訊通國際YesMobile發展策略為例。元智大學資訊傳播學系研究所碩士論文。桃園市。
6.林慶德(2003)。資料庫管理與應用。台北市：培生。
7.林慶德、陳宇芬譯(2006)。資料庫管理與應用。台北市：全華圖書。
8.林建煌(2010)。行銷管理。台北市：智勝文化事業有限公司製作。
9.林芸妃(2011)。資料採礦應用於網上社群使用行為與購物行為探勘之研究。淡江大學管理科學研究所碩士班碩士論文。新北市。
10.吳緯閔(2008)。網際網路服務推薦系統。國立中央大學資訊工程研究所。桃園縣。
11.吳國樑(2012)。資料採礦於臉書商業模式探勘之研究。淡江大學管理科學研究所碩士班碩士論文。新北市。
12.周世惠(2011)。台灣臉書效應。台北市：天下雜誌股份有限公司製作。
13.施錦雯(2003)。消費者使用行動加值服務的影響因素之研究－以中部大學生為例。大葉大學資訊管理學系碩士論文。彰化縣。
14.韋端（2003）。Data Mining 概述－以Clementine7.0 為例。新北市：中華資料採礦協會。
15.范姜雅藍(2012)。建構於Facebook上之餐飲商店推薦系統。國立新竹教育大學數位學習科技研究所碩士論文。新竹市。
16.許哲維(2012)。資料採礦於便利商店推薦機制之研究。淡江大學管理科學研究所碩士班碩士論文。新北市。
17.張雲濤 、龔玲(2007)。資料探勘原理與技術。台北市：五南圖書出版。
18.陳文華(1999)。應用資料倉儲系統建立CRM。資訊與電腦1999年5月號。第226期。
19.陳順宇(2005)。多變量分析。台北市：華泰文化。
20.陳賢聰 (2011)。應用資料採礦技術於品質管制-以中壢工業區個案公司PCB測試日報表為例。萬能科技大學資訊管理研究所碩士論文。桃園市。
21.黃文隆(1999)。抽樣方法。台中市：滄海書局。
22.賀嘉生(2001)。智慧型代理人於虛擬實驗環境下所提供的互動推理機制。逢甲資訊與教育2001年12月，第86 期。
23.楊堤雅(2000)。網際網路虛擬社群成員之角色與溝通互動之探討。國立中正大學企業管理研究所碩士論文。嘉義縣。
24.蔡學峰(2003)。從企業價值網觀點初探行動加值服務營運商之競爭力。元智大學資訊傳播研究所碩士論文。桃園市。
25.廖述賢、溫志皓 (2011)。資料探勘理論與應用。台北市：博碩出版。
26.廖元禎(1999)。虛擬社群創新採用行為及其相關因素之研究。政治大學企業管理研究所碩士班碩士論文。台北市。
27.榮泰生(2001)。行銷學。台北市：五南圖書出版。
28.劉穎潔(2000)。入口與社群網站之創業模式比較與動態策略發展。國立台灣大學國際企業學研究所碩士論文。台北市。
29.蘇素惠(2012)。臉書上的人際電子監視:浪漫關係的不確定性與潛在競爭者的影響。國立交通大學理學院科技與數位學習學程碩士論文。新竹市。

二.英文部分
1.Aaker, D. A. (1973). Toward a normative model of promotional decision making. Management Science, 19(6), 593-603.
2.Aberdeen Group (2003). Converging on a successful multi-channel retail model: a retail sector IT trend analysis and road map. Aberdeen Group, Boston, MA, 1-79.
3.Adler, P. R. & J. A. Christopher. (1999). Internet community primer overview and business opportunities. New York, NY: Harper Collins.
4.Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Paper presented at the ACM SIGMOD Record, 22(2), 207-216.
5.Anckar,B. & D’Incau,D. (2002) Value Creation in Mobile Commerce:Findings from a Consumer Survey. Journal of Information Technology Theory and Application, 4(1), 43-64.
6.Armstrong,Arthur R & John Hagel III.(1996).The Real Value of On-line Communities. Harvard Business Review,74(3), 134-141.
7.Balasubramanian, S. & V. Mahajan. (2001). The Economic Leverage of the Virtual Community. International Journal of Electronic Commerce, 5(3), 103-138.
8.Berry, M. J. A., & Linoff, G. (1997). Data Mining Techniques for marketing, sales,and customer support. NY: John Wiley & Sons Inc.
9.Berry, M. J. A.,& Linoff, G. (2011). Data Mining Techniques for Marketing. Wiley Press.
10.Cabena, P., Hadjinian, P., Stadler, R., Verhees, J. & Zanasi, A. (1998). Discovering data mining from concept to implementation. NJ: Prentice Hall Press.
11.Chandon, P., Wansink, B., & Laurent, G. (2000). A benefit congruency framework of sales promotion effectiveness. Journal of Marketing, 64(10), 65-81.
12.Curt, H. (1995). The Deville’s in The Detail: Techniques, Tool, and Applications for Data Mining and Knowledge Discovery Part I. Intelligent Software Strategies, 6(9),3.
13.Davis, S., J. J. Inman, & L. McAlister. (1992). Promotion Has a Negative Effect on Brand Evaluations－Or Does It?. Journal of Marketing Research, 29 (2), 143-148.
14.Ellison, N. B., & Boyd, D. M.(2007). Social network sites: Definition, history, and scholarship. Journal of Computer-Mediated Communication, 13(1), 210-230.
15.Fayyad, U., Gregory, P. S. & Smyth, P. (1996). Form data mining to knowledge discovery in database. AI Magazine, 17(3), 37-54.
16.Fayyad,U., Stolorz, P. (1997). Data Mining and KDD: Promise and challenges. Further Generation Computer System, 13(2-3), 99-115. doi: 10.1016/S0167-739X(97)00015-0.
17.Frawley, W. J., Piatetsky-Shapiro, G. & Matheus, C. J.(1991). Knowledge Discovery in Databases: An Overview, Knowledge Discovery in Databases. California: AAAI/MIT Press, Menlo Park,1-27.
18., D., Nichols, D., Oki, B. M., & Terry, D. (1992). Using collaborative filtering to weave an information tapestry. Communications of the ACM, 35(12), 61-70.
19.Grupe, F . H., & Owrang, M. M. (1995). Database Mining Discovering New Knowledge and Cooperative Advantage, Information System Management, 12(4), 26-30.
20.Hagel III, J. & A. G. Armstrong. (1997). Net Gain: Expanding Markets through Virtual Communities. Harvard Business School Press.
21.Han, J. Kamber, M. (2000). Data mining: concepts and techniques. CA：Morgan Kaufmann.
22.Han, J. Kamber, M. (2001). Data mining: Concepts and Ttechniques. Francisco:Morgan Kaufmann Publishers.
23.Herlocker, J. L., Konstan, J. A., Terveen, L. G., & Riedl, J. T. (2004). Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems (TOIS), 22(1), 5-53.
24.Hui, S. C., & Jha, G. (2000). Data mining for customer service support. Information and Management, 38(1), 1-14.
25.IBM. (1998). IBM Intelligent Miner For Data, http://www.softwre.ibm.com/data/intelli-mine.
26.Igbaria, M., Shayo, C., & Olfman, L. (1999). On Becoming Virtual: The Driving Forces and Arrangement. Proceedings of ACM SIGCPR Conference on Computer Personnel Research, 27-41.
27.Kagami, N., Iwamoto, R., & Tani, T.(2005). Application of data mining method(ID3)to data analysis for ultra deep hydrodesulfurization of straight-run light gas oil-determination of effective factor of the feed properties to reaction rate of HDS. Fuel, 84(2-3), 279-285.
28.Kantardzic, M. (2003). Data mining: concepts, models, methods and algorithms. NJ:Wiley Press.
29.Keima, D. A., Pansea, C., Sipsa, M., & Northb, S. C. (2004). Pixel based visual data mining of geo-spatial data. Computers and Graphics,.28(3), 327-344.
30.Kim, J., & Park, J. (2005). A Consumer Shopping Channel Extension Model: Attitude Shift Toward the Online Store. Journal of Fashion Marketing and Management, 9(1), 106-20.
31.Kozinets, R. (1999). E-tribalized marketing? The Strategic Implications of Virtual Communities of Consumption, European Management Journal, 17(3), 252-264.
32., R. N., & I. P. Matkovsky. (1999). Using Data Mining Techniques for Fraud Detection. SAS Institute Inc and Federal Data Corporation.
33.Kujath, C. L. (2011). Cyberpsychology, Behavior, and Social Networking. Facebook and MySpace: Complement or Substitute for Face-to-Face Interaction, 14(1-2), 75-78. doi:10.1089/cyber.2009.0311.
34.Lee, F.S.L., D. Vogel, & M. Limayem. (2003). Virtual Community Informatics: A Review and Research Agenda, The Journal of Information Technology Theory and Application (JITTA), 5(1), 47-61. 
35.Lovelock, C. (1995). Competing on Service： Technology and Teamwork in Supplementary Services. Strategy & Leadership, 23(4), 32-46.
36.Middleton, S. E. (2001). Interface agents: A review of the field. Technical Report (ECSTR-IAM01-001), University of Southampton,UK.
37.M.J.A.Berry, & G. Linoff. （1997）. Data Mining Technique Techniques for Marketing, Sales & Customer Support. N.Y. ：Wiley Computer Publishing.
38.Nicholson, S. (2006). The basis for bibliomining: Frameworks for bringing together usage-based data mining and bibliometrics through data warehousing in digital library services. Information Processing and Management, 42(3), 785-804.
39.Oecd. (1997).The Oecd Report on Regulatory Reform:Volume I:Sectoral Studies,3(1), 44.
40.Ogden, J.R., & Ogden, D.T. (2005). To accompany Retailing: Integrated Retail Management. Boston: Houghton Mifflin Company.
41.Peacock, P. R. (1998). Data mining in marketing: Part I. Marketing Management, 6(4), 818.
42.Rangaswamy, A., & Van Bruggen, G.H. (2004). Opportunities and Challenges in Multichannel Marketing: an Introduction to the Special Issue. Journal of Interactive Marketing, 19(2), 5-11.
43.Rashid, A. M., Albert, I., Cosley, D., Lam, S. K., McNee, S. M., Konstan, J. A., & Riedl, J. (2002). Getting to know you: Learning new user preferences in recommender systems. Proceedings of the 7th ACM international conference on Intelligent user interfaces, 127–134. 
44.Resnick, P. & Varian, H.R.(1997). Recommender systems, Communications of the ACM, 40(3), 56-58.
45.Rheingold, H. (1993). The Virtual Community: Homesteading on the Electronic Frontier. Revised Edition. Cambridge: MIT Press.
46.Rheingold, H. (2000). Tools for Thought: The History and Future of Mind-Expanding Technology. Revised Edition. Cambridge: MIT Press.
47.Roiger, J. R., & Geatz, W. M. (2003). Data Mining:ATutorial-Based Primer (1st ed.). Boston:Addison Wesley.
48.Romm, C. & Clarke, R. (1995). Virtual Community Research Theme: A preliminary draft for a comprehensive model. Proceedings of the Sixth Australasian Conference on Information Systems, 57-70.
49.Santos, M. Y., & Amaral, Luis. A. (2004). Mining geo-referenced data with qualitative spatial reasoning strategies. Computers and Graphics, 28(3), 371-379.
50.Schafer, J. B., Konstan, J. A., & Riedl, J. T. (1999). Recommender systems in e-commerce. ACM Conference on Electronic Commerce. 5(1), 158-166.
51.Schafer, J. B., Konstan, J. A., & Riedl, J. T. (2001). E-commerce recommendation  applications. Data Mining and Knowledge Discovery, 5(1), 115-153.
52.Scott, N. (2006). The basis for bibliomining: frameworks for bringing together usage-based data mining and bibliometrics through data warehousing in digital library services. Information Processing and Management, 42(3), 785-804.
53.Tang, T. Y., Winoto, P., Chan, K. C. C.(2003).On the Temporal Analysis for Improved Hybrid Recommendations.Proceedings of the IEEE/WIC Halifax, 214-220.
54.Thelen, S., Mottner, S. & Berman, B. (2004). Data mining：On the trail to marketing gold. Business Horizons, 47(6), 25-32. doi: 10.1016/j.bushor.2004.09.005.
55.Underwood, J. D. M., Kerlin, L., & Farrington-Flint, L. (2011). The lies we tell and what they say about us: Using behavioural characteristics to explain Facebook activity. Computers in Human Behavior, 27(5),1621-1626. 
56.Wang, W., & Benbasat, I. (2008). Attributions of trust in decision support technologies: A study of recommendation agents for e-commerce. Journal of Management Information Systems, 24(4), 249-273.
57.Wright S. (2002). Personalisation: How a computer can know you better than  yourself. Multimedia Systems Conference 2002. UK: Hampshire.
58.Zeithaml, V. A. (1988). Consumer Perceptions of Price, Quality, and Value: A Means-End Model and Synthesis of Evidence. Journal of Marketing, 52(7), 2-22.

三.網路資料
1.Adler, R.P. & Christopher, A.J. (1998). “Internet Community Primer Overview and Business Opportunities,” Digital places, Available at http://www.digiplaces.com/pages/primer_00_toc.html .
2.CheckFacebook. (2013). Facebook Marketing Statistics, Demographics, Reports, and News Retrieved 2013, from http://www.socialbakers.com/facebook-overview-statistics/
3.Data Mining Community Top Resource. (2012). Which data mining/analytic tools you used in the past 12 months for a real project 2013年10月15日，取自：http://www.kdnuggets.com
4.KDnuggets. (2011). Data Mining Tools Used Poll. Retrieved 2013, from http://www.kdnuggets.com/
5.WEKNOWMEMES(2012). 12 types of facebookers.2013年10月15日，取自：http://weknowmemes.com/2012/01/types-of-facebookers/
6.今周刊(2014年5月)。零售業的展示間效應。樓永堅撰文，取自：http://www.businesstoday.com.tw/article-content-80447-107560
7.今周刊(2014年5月)。實體店鋪戰勝網購之道。樓永堅撰文，取自：http://www.businesstoday.com.tw/article-content-80447-108199
8.財團法人台灣網路資訊中心(Taiwan Network Information Center, TWNIC)(2013年9月)。2013年「台灣寬頻網路使用調查」。2013年10月15日，取自： http://www.twnic.net.tw/download/200307/20130926c.pdf
9.創市際市場研究顧問(2012年12月)。「2012年網路社群白皮書」調查報告。2013年10月15日，取自：http://www.insightxplorer.com/news/news_12_18_12.html
10.創市際市場研究顧問(2012年12月)。2012年10月Media Metrix社群網站流量報告。2013年10月15日，取自：http://www.insightxplorer.com/news/news_12_12_12.html
11.創市際市場研究顧問(2012年12月)。從消費者需求來看企業社群經營要注意的幾件事。2013年10月15日，取自：http://blog.insightxplorer.com/page/4/
12.財團法人資訊工業策進會(Foreseeing Innovative New Digiservices, FIND)(2001年7月)。行動加值服務調查。2013年10月15日，取自：http://www.find.org.tw/mit/20071116/survey2007fw_02.html.
13.數位時代(2013年3月)。「台灣網站100強」。2013年10月15日，取自：http://www.bnext.com.tw/article/view/id/26755
14.蘋果日報(2013年8月)。「台灣瘋FB 全球第一」。2013年10月15日，取自：http://www.appledaily.com.tw/appledaily/article/headline/20130821/35235891