分類表是具體而微的人類知識表徵，其類目設計與結構的一致性具有一定的公信力，但透過探勘借閱行為發現許多相關書籍並沒有歸在同一分類號層級中。由於圖書分類號代表書籍的知識領域類別，故借閱者借閱某書可視為其對某分類號代表的知識領域有偏好。傳統協同推薦中，所推薦出的清單可能含有用戶未偏好的書籍。基於上述原因，本文在過去研究的人推薦物內嵌物推薦物架構上，分別加入圖書分類號協同相似度、圖書分類號固有相似度、同儕熱門度之考量，以觀察其對提升圖書推薦系統的效果。結果發現圖書分類號協同相似度搭配圖書分類號固有相似度在意外性表現最好，Top-N精確率以圖書分類號協同相似度、圖書分類號固有相似度、同儕熱門度的組合最顯著，整體精確率則以圖書分類號依字典排序距離、圖書分類號固有相似度、同儕熱門度的組合最佳。

The library catalogue classification system is a characterization of human knowledge which contains a consistent and credible design of hierarchical subject codes. But through mining of borrowing behavior, it is found that many relevant books do not belong to the same subject code. As each subject classification code represents a certain category of knowledge domain, when a user borrows a book, it means that he has preference for the book’s knowledge domain. In traditional collaborative recommendation, the recommended list may contain books the user dislikes. Due to the above reasons, based on a past framework which allows item-to-item recommendation embedded in user-to-item recommendation, this work considers subject code collaborative similarity, subject code native similarity, and peer popularity to improve the recommendation. Our experimental results show that in terms of unexpectedness, recommendation using subject code collaborative similarity and subject code native similarity performs the best. In terms of top-n precision, recommendation using subject code collaborative similarity, subject code native similarity and peer popularity performs the best. In terms of average precision, recommendation using subject code lexicographic distance, subject code native similarity and peer popularity performs the best.

目錄
第壹章、	緒論1
第貳章、	文獻探討3
第參章、	研究方法9
一、問題陳述9
二、研究流程圖10
三、考慮以圖書分類號協同相似度排序的物推薦物方法11
四、考慮以圖書分類號固有相似度的物推薦物過濾法18
五、考慮同儕熱門度排序的人推薦物方法	22
第肆章、實驗26
一、資料來源及前處理26
二、實驗步驟28
三、實驗結果31
四、網路服務36
第伍章、	結論與未來方向43
第陸章、	參考文獻46
圖目錄
圖2.1、美國國會圖書館圖書分類法6
圖2.2、中國圖書分類法6
圖2.3、利用字典排序計算分類號距離(來自陳，2014)8
圖3.1、系統使用流程圖10
圖3.2、圖書分類號含細目項協同相似度	14
圖3.3、圖書分類號不含細目項的協同相似度14
圖3.4、考慮圖書分類號協同相似度排序的物推薦物方法17
圖3.5、考慮圖書分類號固有相似度的兩層關聯式推薦法21
圖3.6、考慮以圖書熱門度排序的人推薦物方法24
圖4.1、協同推薦的處理方式(來自SARWAR ET AL.，2001)27
圖4.2、各方法之精確率32
圖4.3、各方法之整體精確率33
圖4.4、各方法之意外性34
圖4.5、提供圖書館推薦網路服務示意圖37
圖4.6、網路服務製作概要38
圖4.7、加入圖書分類號固有相似度與協同相似度、同儕熱門度組合的人推薦物的畫面39
圖4.8、加入圖書分類號固有相似度與協同相似度組合的物推薦物的畫面	40
圖4.9、未加入圖書分類號固有相似度與協同相似度、同儕熱門度組合的人推薦物的畫面41
圖4.10、未加入圖書分類號固有相似度與協同相似度組合的物推薦物的畫面42
表目錄
表3.1、利用圖書分類號協同相似度協助排序仲裁的例子，最後BID1排在BID2前面18
表4.1、圖書館借閱記錄26
表4.2、訓練測試集摘要28
表4.3、整體精確率(AP)計算例子30
表4.4、各方法總比較35
表5.1、各方法影響各評估指標的效果43

[1]卜小蝶，「以圖書借閱紀錄探勘加強圖書資源利用之探討」，中國圖書館學會會報，66，59-72，2001。
[2]卜小蝶，「使用者導向之圖書分類關聯分析研究」，圖書資訊學刊，17，81-94，2002。
[3]林慶隆、陳建民、邱重毅，圖書分類法1－杜威十進制圖書分類法，國家研究教育院電子報，第46期，2012。http://epaper.naer.edu.tw/index.php?edm_no=46&content_no=1277
[4]張慶昌，「應用資料探勘技術於國小學童圖書借閱之研究」，臺北市立教育大學數學資訊教育研究所未發表碩士論文，2007。
[5]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。
[6]陳麥麟屏、林國強，美國國會圖書館主題編目，三民書局，2001。
[7]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。
[8]黃淑霞，「資料探勘技術於圖書館借閱歷程分析及推薦系統」，國立東華大學資訊工程系碩士在職班未發表碩士論文， 2008。
[9]賴永祥，中國圖書分類法，文華圖書管理資訊股份有限公司，2001。
[10]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。
[11]鄧世昌，「以多層次關聯規則探勘技術探索圖書館使用者借閱行為模式」，樹德科技大學資訊管理研究所未發表碩士論文，2009。
[12]M. Balabanovi’c and Y. Shoham, “Fab: content-based, collaborative recommendation,” Communications of the ACM, 40 (3), 66–72, 1997.
[13]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.
[14]R. Burke, “Knowledge-based recommender systems,” Encyclopedia of Library and Information Science,  69( 32), 180–200, 2000.
[15] M. Ge, C. Delgado-Battenfeld, D. Jannach, “Beyond accuracy: evaluating recommender systems by coverage and serendipity,”Proceedings of the fourth ACM conference on Recommender Systems (RecSys '10), 257-260, 2010.
[16]D. Jannach, M. Zanker, A. Felfernig, G. Friedrich, Recommender Systems: An Introduction, Cambridge, 2011.
[17]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.
[18] B. Sarwar, G. Karypis, J. Konstan, and J. Riedl, “Analysis of recommendation algorithms for e-commerce”, Proceedings of the 2nd ACM Conference on Electronic Commerce (EC '00) , 158-167,2000.
[19] B. Sarwar, G. Karypis, J. Konstan, and J. Riedl, “Item-based collaborative filtering recommendation algorithms”, Proceedings of the 10th International Conference on World Wide Web (WWW '01), 285-295, 2001.
[20]X. Su and T. M. Khoshgoftaar, “A survey of collaborative filtering techniques, ” Hindawi Advances in Artificial Intelligence 2009 (4), 2009.