隨著網路環境的發展與智慧型手機的普及，人們的生活模式開始產生變化，尤其社群媒體的影響甚大，人與人之間互動從實體轉為虛擬，所以越來越多企業或品牌選擇社群媒體當作面對顧客的第一步。而企業或品牌該如何在眾多的社群媒體裡面做出最有效的選擇，不論是從社群媒體行為、網路和社群購物，或是服務的建議，這將是他們未來所要探討的問題。
本研究採問卷調查法，透過資料探勘的集群分析與關聯法則之方法，探討社群媒體對於不同使用者的使用行為，該如何選擇社群媒體以及互動上的偏好與動機，而在購物方面了解不同支付方式偏好，以及購物的動機和商品的偏好等等，最後的服務推薦除了要能吸引顧客還希望能夠有不同的服務建議，並挖掘出潛在的資訊與知識，讓企業或品牌在社群媒體上行銷的規劃與操作上的參考。

Due to the fast-paced environment of technology and popularity of smartphones, people have changed their life-style, especially when facing social media. More and more companies or brands choose social media to be the first step to confront the customers. As for how should companies or brands make the most effective choice among many social medias, regardless of social media behaviors, online and social media shopping, or service advise, this would be the topic that they need to discuss in the future.
This study retrieves data by using a survey, which applies clustering and association analysis of data mining to discover multiple dimensional relationships, including the relationship of user behaviors, shopping and service advice recommendation system. From the results, this study uncovers potential needs and information of users as informative tips and tricks to run social media and also gives directions to fulfill the demand from users.

中文摘要	I
英文摘要	II
表目錄	VII
圖目錄	IX
第一章 緒論	1
1.1研究背景與動機	1
1.2研究目的	8
1.3研究方法與行程	9
第二章 文獻回顧	10
2.1社群媒體(Social media)	10
2.1.1社群媒體之定義	10
2.2社群媒體行銷(Social media marketing)	11
2.2.1社群媒體行銷之定義	11
2.2.2社群媒體行銷之應用	12
2.3.1推薦機制之定義	14
2.3.2推薦機制之種類	15
2.3.3推薦機制之應用	18
2.4資料探勘(Data mining)	20
2.4.1資料探勘之定義	20
2.4.2資料探勘之功能	21
2.4.3資料探勘之流程	23
2.4.4資料探勘之應用	25
第三章 研究方法	27
3.1 研究設計與架構	27
3.2 系統架構圖與資料庫設計	29
3.2.1系統架構與流程	29
3.3資料庫的設計與建立	30
3.4問卷設計與發放	38
3.4.1問卷設計	38
3.4.2抽樣方法	40
3.4.3問卷發放	41
3.5關聯法則與集群分析	41
3.5.1關聯法則(Association rule)	41
3.5.2 Apriori演算法(Apriori algorithm)	44
3.5.3集群分析(Clustering analysis)	47
3.6資料分析軟體 IBM SPSS Modeler	49
第四章 資料探勘與實證分析結果	50
4.1回收樣本結構描述	50
4.2 K-means集群分析之探勘	52
4.2.1 分群結果之使用者輪廓	55
4.3 Apriori關聯性資料探勘	59
4.4 使用者輪廓與社群媒體行為之關聯分析	60
4.4.1集群一（娛樂休閒族）使用者於社群媒體行為之關聯	60
4.4.2集群二（品味享樂族）使用者於社群媒體行為之關聯	62
4.4.3集群三（生活享受族）使用者於社群媒體行為之關聯	64
4.4.4小結	66
4.5 使用者輪廓與社群媒體購物之關聯分析	68
4.5.1集群一（娛樂休閒族）使用者於社群媒體購物之關聯	68
4.5.2集群二（品味享樂族）使用者於社群媒體購物之關聯	70
4.5.3集群三（生活享受族）使用者於社群媒體購物之關聯	72
4.5.4小結	74
4.6 使用者輪廓與社群媒體行銷之關聯分析	76
4.6.1集群一（娛樂休閒族）社群媒體行銷之關聯	76
4.6.2集群二（品味享樂族）社群媒體行銷之關聯	78
4.6.3集群三（生活享受族）社群媒體行銷之關聯	80
4.6.4小結	82
第五章 研究結論與推薦機制之建議	84
5.1研究結論	84
5.2推薦機制	85
5.2.1使用者於社群媒體行為之推薦機制	85
5.2.2使用者於社群媒體購物之推薦機制	91
5.2.3社群媒體行銷之推薦機制	96
5.2研究限制	101
5.3後續研究建議	102
參考文獻	103
附錄一	114
表2-2 學者對於推薦機制系統之定義	14
表2-3 學者對於資料探勘之定義	20
表2-4 學者對於資料探勘之定義	23
表3-1 E-R圖中所用之符號，簡述實體、關係、屬性之符號	31
表4-1問卷回收統計表	50
表4-2使用者基本資料統計表	51
表4-3 K-means分群結果	57
表4-4 集群一使用者於社群媒體行為之關聯法則	61
表4-5 集群二使用者於社群媒體行為之關聯法則	63
表4-6 集群三使用者於社群媒體行為之關聯法則	65
表4-7 使用者於社群媒體行為之三群異同表	67
表4-8 集群一使用者於社群媒體購物之關聯法則	69
表4-9 集群二使用者於社群媒體購物之關聯法則	71
表4-10 集群三使用者於社群媒體購物之關聯法則	73
表4-11 使用者與購物行為之三群異同表	75
表4-12 集群一社群媒體行銷之關聯法則	77
表4-13 集群二社群媒體行銷之關聯法則	79
表4-14 集群三社群媒體行銷之關聯法則	81
表4-15 社群媒體行銷之三群異同表	83
表5-1 使用者於社群媒體行為之推薦機制	87
表5-2 使用者於社群媒體購物之推薦機制	93
表5-3 社群媒體行銷之推薦機制	98
圖1-1  2019年台灣上網人數	1
圖1-2  2019年台灣上網人數手機功能應用情形	2
圖1-3 108年批發、零售及餐飲業經營實況調查報告	4
圖1-4 企業使用社群媒體行銷應用比例	5
圖1-5 2019年社群媒體平台廣告統計	6
圖1-6 研究流程圖	9
圖3-1研究架構圖	28
圖3-2系統架構圖	29
圖3-3概念性資料庫設計E-R圖	32
圖3-4邏輯性資料庫設計圖	34
圖3-5實體資料關聯圖	35
圖3-6雪花綱要架構圖	36
圖3-7雪花綱要模式	37
圖3-8問卷架構圖	39
圖3-9 Apriori演算法產生之後選項目集合與高頻項目集合推導過程	46
圖3-10 資料探勘工具使用程度（2018）	49
圖4-1 集群大小分配圖	52
圖4-2 集群分布圖	54
圖4-3 SPSS Modeler資料探勘模型路徑圖	59
圖4-4 集群一使用者於社群媒體行為之關聯圖	60
圖4-5 集群二使用者於社群媒體行為之關聯圖	62
圖4-6 集群三使用者於社群媒體行為之關聯圖	64
圖4-7 集群一使用者於社群媒體購物之關聯圖	68
圖4-8 集群二使用者於社群媒體購物之關聯圖	70
圖4-9 集群三使用者於社群媒體購物之關聯圖	72
圖4-10集群一社群媒體行銷之關聯圖	76
圖4-11 集群二社群媒體行銷之關聯圖	78
圖4-12 集群三社群媒體行銷之關聯圖	80
圖5-1 使用者於社群媒體行為之知識地圖	88
圖5-2 使用者於社群媒體購物之知識地圖	94
圖5-3 社群媒體行銷之知識地圖	99

陳宗天與王俐涵 （2018）。推薦機制之研究內涵與主要研究議題。電子商務研究，16 (2)，161-188。
葉凱利（2017）。消費者行為。新北市：培生。
廖述賢與溫志皓（2012）。資料探勘理論與應用：以IBM SPSS Modeler為範例。 台北市：博碩文化。
廖述賢與溫志皓（2019）。資料探勘：人工智慧與機器學習發展以SPSS Modeler為範例。台北：博碩文化。
謝邦昌（2014）。SQL Server資料採礦與商業智慧-適用SQL Server。台北：碁峰。
鍾峰宜（2004）。資料倉儲結構設計簡介。台北：倍力資訊。
Agrawal, R., Imielinski, T., and Swami, A. (1993). Mining association rules between sets of items in large databases. ACM SIGMOD Conference, 93, 207-216.
Agrawal, R., and Srikant, R. (1994). Fast Algorithms for Mining Association Rules. Proceedings of the 20th VLDB international conference, 1215, 487-499.
Chen, P. S. (1976). The Entity-Relationship Model-Toward a Unified View Of Data. ACM Transactions on Database System, 1(1), 9-36 .
Chen, J., and Shen, X. L. (2015). Consumers' decisions in social commerce context: An empirical investigation. Decision Support Systems, 79, 55-64.
Chen, S. C., and Lin, C. P. (2019). Understanding the effect of social media marketing activities: The mediation of social identification, perceived value, and satisfaction. Technological Forecasting and Social Change, 140, 22-32
Choi, T. M., Guo, S., and Luo, S. (2020). When blockchain meets social-media: Will the result benefit social media analytics for supply chain operations management? Transportation Research Part E: Logistics and Transportation Review, 135, Article No. 101860.
Coenen, F., Graham, G., and Leng, P. (2004). Tree structures for mining association rules. Data Mining and Knowledge Discovery, 8(1), 25-51.
De Vries, L., Gensler, S., and Leeflang, P. S. H. (2012). Popularity of Brand Posts on Brand Fan Pages: An Investigation of the Effects of Social Media Marketing. Journal of Interactive Marketing, 26(2), 83-91.
Farivar, S., Turel, O., and Yuan, Y. (2018). Skewing users' rational risk considerations in social commerce: An empirical examination of the role of social identification. Information and Management, 55(8), 1038-1048.
Fayyad, U., Piatetsky, S. G., and Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 37-54.
Frawley, W. J., Gregory, P. S., and Matheus, C. J. (1991). Knowledge Discovery in Database：An Overview. AI Magazine, 13(3), 57-70.
Goldberg, D., Nichols, D., Oki, B. M., and Terry, D. (1992). Using collaborative filtering to weave an information tapestry. Communications of the ACM, 35(12), 61-70.
Han, J., Pei, J., and Kamber, M. (2006). Data mining, southeast asia edition: Concepts and techniques. California: Morgan Kaufmann Publishers. 
Harrigan, P., Miles, P. M., Fang, Y., and Roy, S. K. (2020). The role of social media in the engagement and information processes of social CRM. International Journal of Information Management, 54, 102151.
Haubl, G., and Murray, K. B. (2003). Preference construction and persistence in digital marketplaces: The role of electronic recommendation agents. Journal of Consumer Psychology, 13(1-2), 75-91.
Hofacker, C. F., Malthouse, E. C., and Sultan, F. (2016). Big data and consumer behavior: Imminent opportunities. Journal of Consumer Marketing, 33(2), 89-97.
Hoffer, J. A., George, J. F., and Valacich, J. S. (2002). Modern System Analysis and Design. (3rd ed.). New Jersey: Prentice Hall.
Hoffer, J. A., Prescott, M. B., and McFadden, F. R. (2005). Modern Database Management. New Jersey: Prentice Hall.
Hui, S. C., and Jha, G. (2000). Data mining for customer service support. Information and Management, 38(1), 1-13.
Kamakura, W. A., Wedel, M., Rosa, F. D., and Mazzon, J. A. (2003). Cross-Selling through Database Marketing: A Mixed Data Factor Analyzer for Data Augmentation and Prediction. International Journal of Research in Marketing, 20(1), 45-65.
Kantardzic, M. (2011). Data mining: Concepts, Models, Methods, and Algorithms. Hoboken: Wiley-IEEE Press.
Kouris, I. N., Makris, C. H., and Tsakalidis, A. K. (2005). Using information retrieval techniques for supporting data mining. Data and Knowledge Engineering, 52(3), 353-383.
Kristin, R. N., and Matkovsky, I. P. (1999). Using Data Mining Techniques for Fraud Detection. North Carolina: SAS Institute Inc.
Lin, X., Li, Y., and Wang, X. (2017). Social commerce research: Definition, research themes and the trends. International Journal of Information Management, 37, 190-201.
Linoff, G. S., and Berry, M. J. A. (2001). Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management. New York: Wiley.
Macarthy, A. (2018). 500 Social Media Marketing Tips: Essential Advice, Hints and Strategy for Business Facebook, Twitter, Pinterest, Google+, YouTube, Instagram, LinkedIn, and More. USA: Createspace.
Markham, S. K., Kowolenko, M., and Michaelis, T. L. (2015). Unstructured text analytics to support new product development decisions. Research-Technology Management, 58(2), 30-39.
Melville, P., and Sindhwani, V. (2010). Recommender Systems. New York: IBM T.J. Watson Research Centre.
Padmanabhan, B., and Tuzhilin, A. (2002). Knowledge refinement based on the discovery of unexpected patterns in data mining. Decision Support Systems, 33(3), 309-321.
Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., and Riedl, J. (1994). GroupLens‭: ‬an open architecture for collaborative filtering of netnews. ACM conference on Computer supported cooperative work, USA.‬‬‬‬‬‬‬‬‬‬‬‬‬‬‬‬‬‬
Resnick, P., and Varian, H. R. (1997). Recommender Systems. Communications of the ACM, 40(3), 56-58.
Ricci, F., Rokach, L., Shapira, B., and Kantor, P. B. (2011). Recommender systems handbook. Berlin: Springer Press.
Santos, M. Y., and Amaral, L. A. (2004). Mining geo-referenced data with qualitative spatial reasoning strategies. Computers Graph, 28(3), 371-379.
Schafer, J. B., Konstan, J. A., and Riedl, J. (2001). E-Commerce Recommendation Applications. Data Mining and Knowledge Discovery, 5(1), 115-153.
Sekaran, U., and Bougie, R. (2013). Research Methods for Business: A Skill-Building Approach. New York: Wiley.
Shen, W. C., Chen, M., and Wang, C. C. (2019a). Analyzing the trend of O2O commerce by bilingual text mining on social media. Computers in Human Behavior, 101, 474-483.
Shen, W. C., Luong, H. T., Ho, T. J., and Djailani, I. (2019b). Social media marketing of IT service companies: Analysis using a concept-linking mining approach. Industrial Marketing Management, 83, 55-56.
Tan, P., Steinbach, M., Karpatne, A., and Kumar, V. (2018). Introduction to data mining (2nd ed.). Boston, MA: Pearson.
Toroslua, I. H., and Yetisgen-Yildiz, M. (2005). Data mining in deductive databases using query flocks. Expert Systems with Applications, 28(3), 395-407.
Tsai, C.F., Wu, H.C., and Tsai, C.W. (2002). A New Data Clustering Approach for Data Mining in Large Databases. In Proceedings of the International Symposium on Parallel Architectures, Algorithms and Networks, Philippines.
Tsur, D., Ullman, J. D., Abiteboul, S., Clifton, C., Moteani, R., Nestorov, S., and Rosenthal, A. (1998). Query flocks：a generalization of association-rule mining. Proceedings of the ACM SIGMOD international conference on Management of data, USA.
Wang, Y. F., Chuang, Y. L., Hsu, M. H., and Ken, H. C. (2004). A personalized recommender system for the cosmetic business. Expert Systems with Applications, 26, 427-434.
Wang, W., Chen, R. R., Ou, C. X., and Ren, S. J. (2018). Media or message, which is the king in social commerce?: An empirical study of participants' intention to repost marketing messages on social media. Computers in Human Behavior, 93, 176-191.
Xiao, B., and Benbasat, I. (2007). E-commerce product recommendation agents: Use, characteristics, and impact. Mis Quarterly, 31(1), 137-209.
Zare, H., Pour, M. A. N., and Moradi, P. (2019). Enhanced recommender system using predictive network approach. Physica A: Statistical Mechanics and its Applications, 520, 322-337.
Zelaya, H. J., Porcel, C., Moreno, B. J., Lorente, T.A., and Viedma, H. E. (2020). New technique to alleviate the cold start problem in recommender systems using information from social media and random decision forests. Information Sciences, 536, 156-170.
Zhang, P., Huang, X., and Zhang, L. (2020). Information mining and similarity computation for semi-un-structured sentences from the social data. Digital Communications and Networks. Advance online publication. doi:10.1016/j.dcan.2020.08.001
DMA (2019)。Taiwan Digital Advertising Statistics Report 2019。Taiwan Digital Media and Marketing Association。2020年7月24日，取自：https://drive.google.com/file/d/1W_Aq64aiK5-FVb3Tc3l_ua7SzGLDhAr0/view
eMarketer Editors (2017)。Is Organic Social Media Marketing Still Relevant? eMarketer。 2020年7月24日，取自：https://www.emarketer.com/content/is-organic-social-media-marketing-still-relevant
Masa Chen（2020）。Social Media Marketing。OOSGA。2020年5月17日，取自：https://oosga.com/social-media-marketing/
MIC產業情報研究所（2019）。【網購調查系列一】網購消費占比達16.5% 愛用電商平台大排名。財團法人資訊工業策進會。2020年2月17日，取自：https://mic.iii.org.tw/news.aspx?id=516
Naomi L.（2018）。Taiwan Internet Social Trend Analysis。Marketers。2020年7月19日，取自：https://www.marketersgo.com/marketing/201804/2017-social-media-analysis-report/
創市際市場研究顧問（2019）。台灣網路報告。財團法人台灣網路資訊中心。2020年2月17日，取自：https://report.twnic.tw/2019/
南角影(2018)。聊聊那些計量軟件（區別、流行度、R、Matlab、SPSS SAS、STATA）。台部落。 2020年7月20日，取自：https://www.twblogs.net/a/5c015e58bd9eee7aec4eab15
集客數據行銷觀察員（2017）。社群行銷失敗原因分析，80%的粉絲團策略方向都錯了！。集客數據行銷。2020年5月17日，取自：https://inboundmarketing.com.tw/social-marketing/%e7%a4%be%e7%be%a4%e8%a1%8c%e9%8a%b7%e5%a4%b1%e6%95%97%e6%a1%88%e4%be%8b.html
經濟部統計處(2019)。108年批發、零售及餐飲業經營實況調查報告。2020年7月24日，取自：https://www.moea.gov.tw/Mns/dos/bulletin/Bulletin.aspx?kind=28&html=1&menu_id=16959&bull_id=6384
維基百科（2015）。「社群媒體定義」。2020年2月17日，取自：https://zh.wikipedia.org/wiki/%E7%A4%BE%E4%BC%9A%E5%8C%96%E5%AA%92%E4%BD%93
維基百科（2017）。IBM SPSS Modeler。2020年7月18日，取自：https://zh.wikipedia.org/wiki/SPSS_Modeler
聯合行銷研究股份有限公司（2019）。108 年持有手機民眾數位機會調查報告。國家發展委員會。2020年7月24日，取自：https://ws.ndc.gov.tw/Download.ashx?u=LzAwMS9hZG1pbmlzdHJhdG9yLzEwL2NrZmlsZS9hZjg2Nzg1Ny01YWE0LTRjZTYtODQ3OS00NzVhMWY5NTkyOGMucGRm&n=6ZmE5Lu2OS0xMDjlubTmiYvmqZ%2Fml4%2FmlbjkvY3mqZ%2FmnIPoqr%2Fmn6XloLHlkYot5YWs5ZGK54mILnBkZg%3D%3D&icon=.pdf