以學術部落格為主之個人化推薦系統

根據Technorati[29]於2007 年報告指出，截至2007 年全世界部落格總數量已增至7200 萬，此一現象表現出部落格已受大眾普遍的接受。然而，快速增長的部落格也造成了部落格文章數量的暴增，亦即增加了瀏覽者對於文章資訊過載及資訊查找不易的困擾。除此之外，部落格文章的個人化推薦服務也是現今部落格所缺乏的。有鑑於此，本研究提出一個學術文獻推薦系統(BARS)，首先依本體論階層概念建構瀏覽者偏好興趣階層圖，再運用自適應共振理論網路，將相似偏好興趣瀏覽者進行分群，分群後透過推薦系統(Recommendation System, RS)中協同過濾法及內容導向法，將具有及非具有鄰居群的瀏覽者予以推薦；本研究欲達成的目標及貢獻為：(1) 提升文章資訊搜尋效率，(2) 降低文章推薦冷啟始問題，(3) 提昇個人化文章推薦效能。