網路廣告服務的收入，是經營入口網路服務業者的主要營收來源之一，而經常造訪網站的會員更是業者的一大資產。其中，如何利用會員在網路上留下的行為紀錄，來增益網站的價值及收入，逐漸成為這些入口網站服務業者重視的議題之一。我們藉由會員過去的網頁瀏覽紀錄及購買紀錄來建立顧客輪廓，並藉此計算出點擊喜好指數(Click Preference Index, CPI)，然後結合會員的來訪行為模式，建立預測會員回訪率的模型，稱之為行為興趣模型。我們以某知名入口網站所提供之資訊作為實驗資料，由實驗證明透過此模型能有效鑑別不同回訪潛力之會員，進而尋找出有高回訪潛力之會員。本研究之結果將可提供給入口網站的行銷人員進行適當的行銷策略擬定，並增加與廣告主洽談時有利的談判條件，使入口網站能增加獲利。

The profit of portal companies in Taiwan is generated by the online advertising and e-commerce. Effective advertising requires predicting how a user responds to an advertisement and then targeting (presenting the advertisements) to reflect the users’ favor. The behavioral target leverages historical users’ behaviors in order to select the ads which are most related to the users to display. Although we would not like to provide advertisements to customers, with the same concept, we would expect to predict return visit rates for the registered members in the specific category of the portal site. However, customers’ preferences change over time. In order to capture the concept drift, we construct a Behavioral Preference (BP) model and apply the different types of the past return visit patterns as the basis to effectively distinguish the different kinds of member behaviors and predict the members’ return visit rates. The marketers of a portal site can target the members with high return visit rates and design the corresponding marketing strategies. The experimental results with a real dataset have demonstrated that the BP model can be practically implemented and provide adequate results.

第1章	緒論	1
1.1	研究動機與目的	1
1.2	研究架構	5
第2章	文獻探討	6
2.1	顧客輪廓(Customer Profile)	7
2.2	概念漂移(Concept Drift)	10
第3章	問題陳述	15
3.1	點擊喜好指數 CPI	16
3.2	訓練資料集 ── 一個月	18
3.3	訓練資料集 ── 三個月	20
3.4	觀測不同行為模式下，CPI與回訪率的關係	22
第4章	研究方法	27
4.1	觀察行為模式及CPI與會員回訪率的關係	28
4.2	參照行為月份長短的比較	37
4.3	行為喜好模型	40
第5章	實驗探討	44
5.1	預測會員回訪率模型之準確性	45
5.2	行為喜好模型與CPI之比較	51
第6章	結論	60
參考文獻		62
附錄 – 英文論文	65

圖目錄
圖 1 利用不同T0所呈現的時間函數曲線	14
圖 2 根據CPI6的不同，在七月份時造成的回訪率	18
圖 3 根據CPI4-6的不同，在七月份時造成的回訪率	20
圖 4 觀測各CPI在5、6及7月時的回訪率	23
圖 5 行為模式Type 1在5、6及7月的回訪率	25
圖 6 行為模式Type 2在5、6及7月的回訪率	25
圖 7 行為模式Type 3在5、6及7月的回訪率	26
圖 8 行為模式Type 4在5、6及7月的回訪率	26
圖 9 觀測各CPI在4、5、6及7月份的平均回訪率	28
圖 10 行為模式Type 1在5、6及7月份時各個CPI所對應的平均回訪率	30
圖 11 行為模式Type 2在5、6及7月份時各個CPI所對應的平均回訪率	30
圖 12 行為模式Type 3在5、6及7月份時各個CPI所對應的平均回訪率	31
圖 13 行為模式Type 4在5、6及7月份時各個CPI所對應的平均回訪率	31
圖 14 行為模式Type 5在5、6及7月份時各個CPI所對應的平均回訪率	33
圖 15 行為模式Type 6在5、6及7月份時各個CPI所對應的平均回訪率	33
圖 16 行為模式Type 7在5、6及7月份時各個CPI所對應的平均回訪率	34
圖 17 藉由各種方式觀測在五月時的回訪率	35
圖 18 藉由各種方式觀測在六月時的回訪率	36
圖 19 藉由各種方式觀測在七月時的回訪率	36
圖 20 不同行為模式組合在六月的回訪率	38
圖 21 不同行為模式組合在七月的回訪率	39
圖 22 建立行為喜好模型的演算法	41
圖 23 五月份實際回訪率&預測回訪率的比較圖	42
圖 24 六月份實際回訪率&預測回訪率的比較圖	42
圖 25 七月份實際回訪率&預測回訪率的比較圖	43
圖 26 行為模式Type 1在測試月份的趨勢	45
圖 27 行為模式Type 2在測試月份的趨勢	46
圖 28 行為模式Type 3在測試月份的趨勢	46
圖 29 行為模式Type 4在測試月份的趨勢	47
圖 30 行為模式Type 5在測試月份的趨勢	47
圖 31 行為模式Type 6在測試月份的趨勢	48
圖 32 行為模式Type 7在測試月份的趨勢	48
圖 33 八月份實際回訪率&預測回訪率的比較圖	49
圖 34 九月份實際回訪率&預測回訪率的比較圖	49
圖 35 十月份實際回訪率&預測回訪率的比較圖	50
圖 36 十一月份實際回訪率&預測回訪率的比較圖	50
圖 37 兩種方法比較八月回訪率	51
圖 38 兩種方法比較九月回訪率	52
圖 39 兩種方法比較十月回訪率	52
圖 40 兩種方法比較十一月回訪率	53
圖 41 八月各種方法增益曲線的比較	54
圖 42 九月各種方法增益曲線的比較	55
圖 43 十月各種方法增益曲線的比較	55
圖 44 十一月各種方法增益曲線的比較	56
圖 45 八月沒來訪的會員在九月份之回訪率	58
圖 46 八月有來訪的會員在九月份之回訪率	58
圖 47 經由模型比較兩種類型的選取順序	59

表目錄
表 1 其中五種不同行為之會員在過去三個月的來訪狀況觀察其下月份的回訪率	4
表 2 三位顧客的顧客喜好模型計算	9
表 3 第9群的成因可能來自於不同的行為所造成的影響	19
表 4 CPI6為0的顧客在七月的回訪率	19
表 5 第7群的成因可能來自於不同的行為所造成的影響	21
表 6 參照三個月份的行為模式組合	24
表 7 行為模式Type 8在5、6及7月的回訪率	32
表 8 兩項不同行為模式之範例	57

[1]	A. C. R. van Riel, V. Liljander, and P. Jurriens, "Exploring consumer evaluations of e-services: a portal site," International Journal of Service Industry Management, vol. 12, pp. 359-377, 2001.
[2]	yam. Available: http://www.yam.com/
[3]	Taiwan Yahoo! Available: http://tw.yahoo.com/
[4]	Hinet. Available: http://www.hinet.net/
[5]	Y. Chen, D. Pavlov, and J. F. Canny, "Behavioral Targeting: The Art of Scaling Up Simple Algorithms," ACM Transactions on Knowledge Discovery from Data (TKDD), vol. 4, p. 17, 2010.
[6]	Y. H. Cho, J. K. Kim, and S. H. Kim, "A personalized recommender system based on web usage mining and decision tree induction," Expert Systems with Applications: An International Journal vol. 23, pp. 329-342, 2002.
[7]	S. E. Middleton, N. R. Shadbolt, and D. C. D. Roure, "Ontological user profiling in recommender systems," ACM Transactions on Information Systems, vol. 22, p. 88, 2004.
[8]	Y. Koren, "Collaborative filtering with temporal dynamics," Communications of the ACM, vol. 53, pp. 89-97, 2010.
[9]	R. Bell, Y. Koren, and C. Volinsky, "The BellKor 2008 Solution to the Netflix Prize," 2008.
[10]	L. Xiang and Q. Yang, "Time-Dependent Models in Collaborative Filtering Based Recommender System," presented at the Proceedings of the 2009 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology - Volume 01, 2009.
[11]	Y. Blanco-Fernández, J. J. Pazos-Arias, M. López-Nores, A. Gil-Solla, M. Ramos-Cabrer, J. GarcÃa-Duque, A. Fernández-Vilas, and R. P. DÃaz-Redondo, "Incentivized provision of metadata, semantic reasoning and time-driven filtering: Making a puzzle of personalized e-commerce," Expert Systems with Applications: An International Journal vol. 37, pp. 61-69, 2010.
[12]	Y. Ding and X. Li, "Time weight collaborative filtering," in In Proceedings of the 14th ACM international conference on Information and knowledge management, 2005, p. 485.
[13]	S. Ma, X. Li, Y. Ding, and M. E. Orlowska, "A recommender system with interest-drifting," in Proceedings of the 8th international conference on Web information systems engineering, Nancy, France, 2007, pp. 633-642.
[14]	W. Fan, "Systematic data selection to mine concept-drifting data streams," in In Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining, 2004, pp. 128-137.
[15]	A. Tsymbal, "The Problem of Concept Drift: Definitions and Related Work," 2004.
[16]	M. Balabanovic and Y. Shoham, "Fab: content-based, collaborative recommendation," Communications of the ACM, vol. 40, p. 72, 1997.
[17]	J. Lee, M. Podlaseck, E. Schonberg, and R. Hoch, "Visualization and analysis of clickstream data of online stores for understanding web merchandising," Data Mining and Knowledge Discovery, vol. 5, pp. 59-84, 2001.
[18]	Y. H. Cho and J. K. Kim, "Application of Web usage mining and product taxonomy to collaborative recommendations in e-commerce," Expert Systems with Applications: An International Journal vol. 26, pp. 233-246, 2004.
[19]	Y. J. Park and K. N. Chang, "Individual and group behavior-based customer profile model for personalized product recommendation," Expert Systems with Applications: An International Journal vol. 36, pp. 1932-1939, 2009.
[20]	A. Albadvi and M. Shahbazi, "A hybrid recommendation technique based on product category attributes," Expert Systems with Applications: An International Journal vol. 36, pp. 11480-11488, 2009.
[21]	P. a. Cunningham, N. Nowlan, S. J. Delany, and M. Haahr, "A Case-Based Approach to Spam Filtering that Can Track Concept Drift," presented at the In The ICCBR'03 Workshop on Long-Lived CBR Systems, 2003.
[22]	M. Salganicoff, "Tolerating Concept and Sampling Shift in Lazy Learning UsingPrediction Error Context Switching," Artificial Intelligence Review - Special issue on lazy learning, vol. 11, pp. 133-155, 1997.