本文將實做一個推薦系統，透過貝氏網路結合協同與內容推薦方法，可以在沒有使用者背景的情況下，依據「給定的一本書」，進行相關圖書的推薦，希望能增進使用者查詢借閱書籍之效率與提高圖書館的書本借閱率。因為目前一般圖書館少有推薦系統，且有推薦系統的圖書館大多針對使用者進行推薦，這樣使用者必須登入系統後才可有推薦清單。但使用者通常習慣在查詢書本時不想登入，以省去麻煩及遭追蹤的可能，所以希望可以透過大眾化書推薦書的方式，讓系統在不取得使用者背景的情況下進行推薦。 
本文透過離線實驗結果得出在貝氏網路架構下加入關鍵字與分類號節點資訊皆可提高其推薦結果且優於傳統推薦方法。本文也讓使用者進行線上實驗佐證本推薦方法的實用性。

In this work, we will present a recommender system which combines the collaborative and content-based methods using the Bayesian network. Given a book, it can provide related book recommendation without knowing the user identity so that users can look up the desired books more easily and the library books can be utilized more efficiently. Currently, few libraries provide a book recommender system. For those libraries which provide the recommender system, the user must login to receive the recommended book list. But users are accustomed to looking up the books without login to save the trouble or the risk of being tracked. This work aims to provide an anonymous way of book recommendation about a book without knowledge of the user identity.
In our offline experiments, the results show that under the framework of the Bayesian network, adding the keyword nodes and the subject code nodes can help promote the recommendation performance when compared with the traditional recommendation methods. This work also conducts an online user experiment to demonstrate the usefulness of our recommendation method.

第一章　緒論	1
1.1	動機	1
1.2	目的	2
 第二章　文獻探討	3
2.1	推薦系統	3
2.1.1	協同過濾方法	3
2.1.2	基於內容方法	5
2.1.3	混和方法	5
2.1.4	基於模型方法	7
2.1.5	基於知識方法	7
2.2	圖書推薦系統	8
2.3	貝氏網路推薦模型	9
2.3.1	貝氏網路模型	9
2.3.2	貝氏網路推薦模型	10
2.4	中文斷詞系統	14
2.5	書類號分類	16
2.5.1	美國國會圖書館圖書分類法	16
2.5.2	中文圖書分類法	16
 第三章　研究方法	17
3.1	問題陳述	17
3.2	資料前處理	19
3.3	基於貝氏網路的混和推薦方法	19
3.3.1	基於內容加上協同推薦方法	20
3.3.2	加上書本分類號推薦方法	26
 第四章　實驗	30
4.1	資料處理	30
4.2	評估指標	30
4.3	實驗步驟與驗證	31
4.3.1	離線實驗	32
4.3.2	線上實驗	35
 第五章　結論	38
參考文獻	39

表目錄
表 3.1；關鍵字F與書本B兩層連結關係權重範例表	24
表 3.2  書本I與用戶U借閱關係範例表	24
表 4.1；圖書館借書流通紀錄格式表	30
表 4.2；MAP精確率計算範例表	31
表 4.3；內容推薦(CB)與內容加協同推薦(CB+CF)的MAP精確率表	33
表 4.4；JCB、JCF與本研究CB、CB+CF的MAP精確率表	34
表 4.5；分類號權重alpha參數調校結果	34
表 4.6；線上實驗問卷資料表	36

圖目錄
圖 2 1；貝氏網路圖	10
圖 2 2；貝氏網路推薦系統架構圖(De Campos et al., 2010)	11
圖 3 1；本系統之推薦流程	18
圖 3 2；本推薦系統完整架構圖	20
圖 3 3；本系統內容加上協同推薦局部架構圖	20
圖 3 4；本系統內容加上協同推薦模型範例圖	24
圖 3 5；本推薦系統分類號局部架構圖	26
圖 3 6 ; 本推薦系統分類號與關鍵字彙整的局部架構圖	27
圖 4 1；線上實驗的圖書推薦介面圖	35

[1]	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。
[2]	賴永祥，中國圖書分類法，2007。
[3]	陳垂呈、陳幸暉，建置圖書館書籍推薦系統: 資料探勘之應用，工程科技與教育學刊 ，8(3)，469-478，2011。
[4]	陳慶宇，「圖書館借書推薦系統之建置-以淡江圖書館資料為例」，淡江大學資訊管理學系碩士班學位論文，2014。
[5]	Balabanovic, M. & Shoham, Y., Fab: content-based, collaborative recommendation, Communications of the ACM, 40(3), 66-72, 1997.
[6]	Billsus, D. & Pazzani, M. J., Learning collaborative information filters, International Conference on Machine Learning, 98, 46-54, 1998.
[7]	Burke, R. Knowledge-based recommender systems, Encyclopedia of Library and Information Science, 69 (32), 180–200, 2000.
[8]	Chan, L. M., Immroth's Guide to the Library of Congress Classification, (p. 19). Englewood, Col: Libraries Unlimited, 1990.
[9]	De Campos, L. M., Fernández-Luna, J. M., Huete, J. F. & Rueda-Morales, M. A., Combining conten-based and collaborative recommendations: a hybrid approach based on Bayesian networks, International Journal of Approximate Reasoning, 51 (7), 785-799, 2010.
[10]	Gorakala, S. K. & Usuelli, M., Building a Recommendation System with R. Packt Publishing Ltd, 2015.
[11]	Jaccard, J. & Turrisi, R., Interaction Effects in Multiple Regression, Sage, 2003.
[12]	Jannach, D., Zanker, M., Felfernig, A., Friedrich, D., Recommender Systems: an Introduction, Cambridge University Press, 2010.
[13]	Lin, L.I-K., A concordance correlation coefficient to evaluate reproducibility, Biometrics, 45 (1), 255-268, 1989.
[14]	Manning, C. D., Raghavan, P., Schütze, H, Introduction to information retrieval, Cambridge: Cambridge University Press, 2008.
[15]	Owen, S., Anil, R., Dunning, T., Friedman, E, Mahout in action, Manning ,2012
[16]	Pearl, J. & Russell, S., Bayesian networks, Computer Science Department, University of California, 1998.
[17]	Ricci, F., Rokach, L., Shapira, B., Recommender Systems Handbook, Springer, 2015.
[18]	Sharif, M. A. & Raghavan, V. V., A large-scale, hybrid approach for recommending pages based on previous user click pattern and content, International Symposium on Methodologies for Intelligent Systems, 103-112, 2014.
[19]	Tsai, C. H., MMSEG: A word identification system for Mandarin Chinese text based on two variants of the maximum matching algorithm, 2000, Available at http://www. geocities. com/hao510/mmseg.