楊亨利;林青峰;
頁: 335-361
日期: 2018/07
卷期: 25(3)
關鍵字: 意見挖掘;情感分析;網路評論;推薦系統;
Keywords: opinion mining;sentiment analysis;internet review;recommendation system;
摘要: 隨著電子商務的發展，現在一個虛擬商場能夠查詢到的商品資訊常常超過人們所能負擔；如何從玲瓏滿目的商品中找到最符合需要，對使用者而言是非常重要的。傳統上的推薦系統是由個人資料、社會關係、購買或點閱記錄等資料來進行相似性的比對，進而完成推薦。本研究則採用網...

引用     導入Endnote

陳灯能;蘇柏銘;
頁: 141-170
日期: 2015/04
卷期: 22(2)
關鍵字: 腦波;神經資訊學;文章推薦系統;內容導向過濾;類神經網路;
Keywords: brainwave;NeuroIS;document recommender system;content-based filtering;neural network;
摘要: 推薦系統是一種基於使用者紀錄或偏好進行資料收集及分析，藉此分析結果逕行主動式資訊推薦的資訊系統，推薦系統在提昇個人化資訊服務品質上扮演重要的角色。傳統上推薦系統的設計著重於將資料庫中使用者的相關記錄進行分析，也因此衍生出內容導向、協同導向等不同演算法...

引用     導入Endnote

胡雅涵;李彥賢;林正賢;
頁: 171-197
日期: 2015/04
卷期: 22(2)
關鍵字: 推薦系統;內容導向式推薦方法;學術文章推薦;社會性標籤;文字探勘;
Keywords: recommender systems;content-based recommendation;academicarticle recommendation;social tagging;text mining;
摘要: 學術文章推薦是近年來熱門的研究議題，過往針對學術文章推薦研究上，普遍利用學術文章內的屬性資料，如：標題、摘要、關鍵字、作者名稱以及參考文獻標題等進行推薦。然而除了上述的「內部資訊」外，學術文章中亦包含其他與該研究相關的「外部資訊」，像是參考文獻摘要及...

引用     導入Endnote

黃純敏;林重佑;黃進瑞;
頁: 423-447
日期: 2013/10
卷期: 20(4)
關鍵字: 學習向量量化;推薦系統;混合過濾;協同過濾;內容過濾;
Keywords: Learning Vector Quantization;Recommendation System;Hybrid Filtering;Collaborative Filtering;Content-based Filtering;
摘要: 內容過濾與協同過濾是經常用於提供個人化服務的技術，近年來則多偏向結合各種監督式學習的混合式過濾方式，並以三層或多層式網路架構產生推薦結果，然而其設計不易且有網路收斂效率低的問題。本研究以學習向量量化（Learning Vector Quantization；LVQ）簡約的兩層式網路...

引用     導入Endnote

王俊程;
頁: 1-17
日期: 2002/02
卷期: 09(專)
關鍵字: 資訊商品;內容型資訊商品;決策型資訊商品;
Keywords: Information goods;Content-based information goods;Decision-based information goods;
摘要: 資訊時代的主要課題將由硬體產品，轉向軟體產品，進一步推想，未來的課題將以資訊的商品化為核心。本文的主要的議題以資訊的商品化為核心，並將資訊商品分為傳統所謂以內容為主的，例如音樂、電影、新聞、軟體等的內容型資訊商品，以及輔助決策用，交易時產生的，決策型...

引用     導入Endnote