TW201514730A - 電子計算裝置、其個人化資訊推薦方法及其電腦程式產品 - Google Patents

電子計算裝置、其個人化資訊推薦方法及其電腦程式產品 Download PDF

Info

Publication number
TW201514730A
TW201514730A TW102136193A TW102136193A TW201514730A TW 201514730 A TW201514730 A TW 201514730A TW 102136193 A TW102136193 A TW 102136193A TW 102136193 A TW102136193 A TW 102136193A TW 201514730 A TW201514730 A TW 201514730A
Authority
TW
Taiwan
Prior art keywords
data
tree
similarity
behavior data
tree data
Prior art date
Application number
TW102136193A
Other languages
English (en)
Other versions
TWI525460B (zh
Inventor
Zon-Yin Shae
Ko-Yang Wang
Meng-Jung Shih
Ting-Chieh Tu
Ya-Hui Chan
Ping-I Chen
Tai-Chun Wang
Original Assignee
Inst Information Industry
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Inst Information Industry filed Critical Inst Information Industry
Priority to TW102136193A priority Critical patent/TWI525460B/zh
Priority to CN201310494650.1A priority patent/CN104516938B/zh
Priority to US14/094,359 priority patent/US9208501B2/en
Publication of TW201514730A publication Critical patent/TW201514730A/zh
Application granted granted Critical
Publication of TWI525460B publication Critical patent/TWI525460B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一種電子計算裝置、其個人化資訊提供方法及其電腦程式產品。電子計算裝置用以將安排於一時段之一第一使用者之一第一資料以及一第二使用者之一第二資料分別以一本體樹建構演算法建立一第一樹狀資料及一第二樹狀資料，並以一相似度評估演算法計算第一樹狀資料及第二樹狀資料間之一相似度，且以一分群演算法根據相似度而將第一樹狀資料及第二樹狀資料歸納為一群組，以及根據群組決定第一樹狀資料相對於第二樹狀資料之一第一差異資訊，並且，根據第一差異資訊產生對應至第一使用者於時段之一推薦資訊，並致能一螢幕顯示推薦資訊。

Description

電子計算裝置、其個人化資訊推薦方法及其電腦程式產品
本發明係關於一種電子計算裝置、其個人化資訊推薦方法及其電腦程式產品。更具體而言，本發明之電子計算裝置將使用者之個人行為資料建立為樹狀結構，並兩兩相比較後產生相似度，再以分群演算法分析該相似度並為使用者之個人資料分設群組，之後以關聯性最高的群組進行群組內的資訊推薦。
在資訊科技進步的現代，使用者有許多資訊獲取的方法，其中一種是由處理系統透過資料關聯性對使用者進行資訊推薦。以目前的推薦方式而言，通常係利用一矩陣資料對使用者的行為資料進行評比，之後再以該評比結果為使用者推薦資訊。
具體而言，假設某超市有A、B、C、D及E五種品項商品，此時使用者的行為資料為購買商品品項，一消費者甲在該超市購買的商品品項及數量累計為：A品項5固、C品項3個及E品項1個，則甲的購買資料可表示為{A,B,C,D,E}={5,0,3,0,1}。類似的，假設另一消費者乙在該超市購買的商品品項及數量累計表示為{A,B,C,D,E}={4,5,0,0,1}。則對甲而言，品項B是甲未購買而乙有購買的，因此，超市可將品項B推薦給甲，以 作為甲的推薦購買品項；另一方面，對乙而言，品項C是乙未購買而甲有購買的，因此，超市可將品項C推薦給乙，以作為乙的推薦購買品項。
然而，上述推薦方式在消費者不只兩位的情況下，無法計算消費者之間的資訊關聯性，導致購買不同屬性商品的消費者之間相互推薦，並造成推薦資訊的有效性大幅降低。再者，上述推薦方式所或資訊，僅是消費者資料的累加結果，在時間上並未進行有效區隔並同時進行評估，若消費者的生活大幅度的改變，則上述推薦方式無法分析出該大幅改變的情況。
有鑑於此，如何增加使用者間的資訊關聯性、推薦資料間的資訊有效性，以及進一步考量使用者間行為資訊(如交易資料、活動資料或購買品項等)於不同時間區段的差異，仍是本領域亟待解決的課題。
本發明之目的在於提供一種電子計算裝置、其個人化資訊推薦方法及其電腦程式產品。本發明提供一種將使用者個人資訊之間的關聯性精確化，並進一步提供有時間區隔效果的推薦資訊，以提升推薦資料的有效性，達成良好的推薦效果。
為達上述目的，本發明揭露了一種用於提供個人化資訊推薦之電子計算裝置，其包含一輸入/輸出介面、一儲存器及一處理器，該輸入/輸出介面用以接收一第一使用者之一第一行為資料以及一第二使用者之一第二行為資料，其中該第一行為資料及該第二行為資料皆係安排於一第一時段中。該儲存器與該輸入/輸出介面電性連接，用以儲存該第一行為資料及該第二行為資料。該處理器與該儲存器電性連接並用以執行下列操 作：自該儲存器擷取該第一行為資料及該第二行為資料；將該第一行為資料及該第二行為資料分別以一本體樹建構演算法建立一第一樹狀資料及一第二樹狀資料；以一相似度評估演算法計算該第一樹狀資料及該第二樹狀資料之間之一第一相似度；以一分群演算法分析該第一相似度而將該第一樹狀資料及該第二樹狀資料歸納為一第一群組；根據該第一群組決定該第一樹狀資料相對於該第一使用者之該第二樹狀資料之一第一差異資訊；以及根據該第一差異資訊產生對應至該第一使用者於該第一時段之一第一推薦資訊，並致能一第一螢幕顯示該第一推薦資訊。
為達上述目的，本發明更揭露一種用於一電子計算裝置之個人化資訊推薦方法，該電子計算裝置包含一輸入/輸出介面、一儲存器及一處理器，該行程推薦方法包含下列步驟：令該輸入/輸出介面接收一第一使用者之一第一行為資料以及一第二使用者之一第二行為資料，其中該第一行為資料及該第二行為資料皆係安排於一第一時段中；令該儲存器儲存該第一行為資料及該第二行為資料；令該處理器自該儲存器擷取該第一行為資料及該第二行為資料；令該處理器將該第一行為資料及該第二行為資料分別以一本體樹建構演算法建立一第一樹狀資料及一第二樹狀資料；令該處理器以一相似度評估演算法計算該第一樹狀資料及該第二樹狀資料之間之一第一相似度；令該處理器以一分群演算法分析該第一相似度而將該第一樹狀資料及該第二樹狀資料歸納為一第一群組；令該處理器根據該第一群組決定該第一使用者之該第一樹狀資料相對於該第二樹狀資料之一第一差異資訊；以及令該處理器根據該第一差異資訊產生對應至該第一使用者於該第一時段之一第一推薦資訊，並致能一第一螢幕顯示該第一推薦資 訊。
此外，本發明更揭露一種電腦程式產品，經由一電子計算裝置載入該電腦程式產品後，執行該電腦程式產品所包含之複數個程式指令，以使該電子計算裝置執行一種個人化資訊推薦方法，該等程式指令包含：程式指令A，由該電子計算裝置接收一第一使用者之一第一行為資料以及一第二使用者之一第二行為資料，其中該第一行為資料及該第二行為資料皆係安排於一第一時段中；程式指令B，由該電子計算裝置儲存該第一行為資料及該第二行為資料；程式指令C，由該電子計算裝置將該第一行為資料及該第二行為資料分別以一本體樹建構演算法建立一第一樹狀資料及一第二樹狀資料；程式指令D，由該電子計算裝置以一相似度評估演算法計算該第一樹狀資料及該第二樹狀資料之間之一第一相似度；程式指令E，由該電子計算裝置以一分群演算法分析該第一相似度而將該第一樹狀資料及該第二樹狀資料歸納為一第一相似群組；程式指令F，由該電子計算裝置根據該第一群組決定該第一使用者之該第一樹狀資料相對於該第二樹狀資料之一第一差異資訊；以及程式指令G，由該電子計算裝置根據該第一差異資訊產生對應至該第一使用者於該第一時段之一第一推薦資訊，並致能一第一螢幕顯示該第一推薦資訊。
在參閱圖式及隨後描述的實施方式後，所屬技術領域具有通常知識者便可瞭解本發明之其它目的，以及本發明之技術手段及實施態樣。
1‧‧‧電子計算裝置
21、25‧‧‧智慧型手機
23、27‧‧‧個人電腦
11‧‧‧輸入/輸出介面
13‧‧‧處理器
15‧‧‧儲存器
210、230、250、270、280、290‧‧‧行程資料
212、232、252、272、282、292‧‧‧樹狀資料
214、234、254、274、284、294‧‧‧推薦行程
800‧‧‧通用本體樹
W1、W2、W3、W4、W5、W6‧‧‧相似度
C1、C2、C3‧‧‧核心群組
S400~S470‧‧‧步驟
S500~S570‧‧‧步驟
第1A圖係描繪第一實施例之電子計算裝置的功能方塊圖；第1B圖係描繪第一實施例之通用本體樹及使用者樹狀資料的示意圖；第1C圖係描繪第一實施例之群組示意圖；第2A圖係描繪第二實施例之電子計算裝置的功能方塊圖；第2B圖係描繪第二實施例之使用者樹狀資料的示意圖；第2C圖係描繪第二實施例之群組示意圖；第3A圖係描繪第三實施例之電子計算裝置的功能方塊圖；第3B圖係描繪第三實施例之使用者樹狀資料的示意圖；第3C圖係描繪第三實施例之群組示意圖；第4圖係描繪第四及第五實施例之個人化資訊推薦方法的流程圖；以及第5圖係描繪第六實施例之個人化資訊推薦方法的流程圖。
以下將透過實施例來解釋本發明內容。然而，本發明的實施例並非用以限制本發明需在如實施例所述之任何環境、應用或方式方能實施。因此，關於實施例之說明僅為闡釋本發明之目的，而非用以直接限制本發明。需說明者，以下實施例及圖示中，與本發明非直接相關之介面已省略而未繪示。
本發明第一實施例請同時參考第1A圖、第1B圖及第1C圖，第1A圖係描繪電子計算裝置1之功能方塊圖，第1B圖係描繪使用者之樹狀資料之示意圖，第1C圖係描繪群組示意圖。
本發明之電子計算裝置1用以提供個人化資訊推薦，其所提供之個人化推薦資訊可以是旅遊行程推薦、購物品項推薦等等。電子計算 裝置1係為一網頁伺服器、或其他相類似之計算裝置，其包含一輸入/輸出介面11、一儲存器13以及一處理器15。處理器13分別與輸入/輸出介面11及儲存器15電性連接。接下來將針對本發明如何對使用者提供資訊推薦進行說明。
以提供旅遊行程為個人化推薦資訊為例，台灣某大學舉辦了一個國際研討會，為期五天，且日本人丙(第一使用者)及丁(第二使用者)準備參加。電子計算裝置1已事先在儲存器13中儲存了一套以不同國籍人建立的行程樹狀資料，例如，根據美國人的喜好，建立美國人行為樹資料，也能根據日本人的喜好，建立日本人行為樹資料，該些行為樹資料之內容皆係針對各國籍人的喜好行程，以具組織化的方式建立。
舉例來說，如第1B圖所示，儲存器15中預先儲存了與日本人喜好相關的一通用本體樹800，樹根可以是「景點」，其中，「景點」的分支有「古蹟」及「自然」，「古蹟」的分支更包含「廟宇」、「老街」及「城堡」，「自然」的分支則包含「山林」、「海」及「公園」，以此類推。由於丙及丁皆欲進行一個共同事件，即參與該國際研討會，該事件形成了丙與丁之一基礎共同點，在此前提下，本發明之電子計算裝置1將進一步交互提供推薦資訊給丙及丁。
假定在研討會五天期間內，除了既定的研討會行程外，丙還規劃了去「行天宮」、「淡水老街」以及「太魯閣國家公園」，丙將上述行程資料輸入到自己的智慧型手機21，成為一第一行為資料，於本實施例中，該第一行為資料為一第一行程資料210；丁則規劃了去「龍山寺」、「新社古堡」及「陽明山」，丁將上述行程透過個人電腦23及建置於電子計算裝置1 之網頁介面傳送給電子計算裝置1，成為一第二行為資料，於本實施例中，該第二行為資料為一第二行程資料230。
於此，電子計算裝置1係為網頁伺服器，而該網頁介面所顯示的方式為行事曆介面。須說明的是，由於本實施例之行為資料舉例為行程資料，因此，將本實施例之推薦資訊一併舉例為推薦行程。
在電子計算裝置1透過其輸入/輸出介面11，例如一網路介面，接收丁的第二行程資料230，接著，處理器13可透過輸入/輸出介面11向智慧型手機21擷取丙之第一行程資料210，或由智慧型手機21於偵測到丙將其第一行程資料210輸入至智慧型手機21時，將第一行程資料210經由輸入/輸出介面11更新至該電子計算裝置1，電子計算裝置1或處理器13將第一行程資料210及第二行程資料230儲存於儲存器15。
處理器13自儲存器15擷取第一行程資料210及第二行程資料230根據通用本體樹800以一本體樹建構演算法(Ontology Construction Algorithm)將第一行程資料210及第二行程資料230分別建立為一第一樹狀資料212及一第二樹狀資料232。
詳言之，首先由處理器13判斷第一行程資料210及第二行程資料230之每一關鍵字詞與通用本體樹800之各節點以一正規化的Google距離(Normalized Google Distance；NGD)演算法進行與通用本體樹800之各節點之間的關聯性該判斷方法例如係一正規化的Google距離(Normalized Google Distance；NGD)演算法，其表示如下：
其中，f(x)表示關鍵字詞x在Google搜尋引擎進行搜尋的搜尋結果數，f(y)表示關鍵字詞y在Google搜尋引擎進行搜尋的一搜尋結果數，f(x,y)表示關鍵字詞x以及y同時在Google搜尋引擎進行搜尋的一搜尋結果數，N則是Google搜尋引擎中所包含的一網頁總數。
舉例而言，於建立丙之第一樹狀資料212時，係將第一行程資料210中之關鍵字詞「行天宮」作為x、以及將通用本體樹800的樹根節點「景點」作為y代入方程式1，判斷「行天宮」及「景點」之間之關連性，之後再將「行天宮」與通用本體樹800之其他節點逐一代入方程式1，最後判斷「行天宮」與通用本體樹800之何節點關連性最高，則將「行天宮」歸納至該關聯性最高之節點。以本實施例而言，「行天宮」被歸納至於通用本體樹800之「廟宇」節點，如第1B圖之第一樹狀資料212所示之「廟宇」節點。
之後，以相同的方式，分別將第一行程資料210中的「淡水老街」及「太魯閣國家公園」分別歸納至「老街」及「公園」，最後形成一完整之第一樹狀資料212。丁之第二樹狀資料232亦以相同的方式進行建構。該本體樹建構演算法之詳細演算方式，亦例如係期刊『Rudi L.Cilibrasi and Paul M.B.Vit'anyi.2007.“The Google Similarity Distance”.IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING VOL.19,NO 3,MARCH 2007,370-383』中所述之演算方式，本領域之技術人員透過該期刊可瞭解如何建立樹狀資料。
建立第一樹狀資料212及第二樹狀資料232後，處理器13接著以一相似度評估演算法(Similarity Evaluation Algorithm)計算 第一樹狀資料212及第二樹狀資料232之間之一第一相似度W1。
該相似度評估演算法，例如是論文『Rui Yang,Panos Kalnis and Anthony K.H.Tung.“Similarity Evaluation on Tree-structured Data”.SG：School of Computing National University of Singapore』中第2節所示之演算方式，本領域之技術人員透過該論文可知如何計算本發明之第一樹狀資料212及第二樹狀資料232之間之第一相似度W1。須說明的是，相似度係一權重值，第一相似度W1例如係0.9。
接下來，處理器13以一分群演算法，例如是一K核心分析演算法(K-core Analysis Algorithm)、一K最鄰近(k-Nearest Neighbor，KNN)分類演算法或一K均數群集分析(k-means clustering)演算法，以分析資料間的相似度以對樹狀資料進行分群。
舉例而言，本實施例係藉由K核心分析演算法分析第一相似度W1並將第一樹狀資料212及第二樹狀資料232歸納為一第一核心群組C1，如第1C圖所示。須說明的是，該K核心分析演算法係將節點(即第一樹狀資料212及第二樹狀資料232)及連結(即第一相似度W1)代入該K核心分析演算法進行計算以分析第一相似度W1。
該K核心分析演算法，例如是論文『Vladimir Batagelj and Matja Zavernik.2002.“An O(m)Algorithm for Cores Decomposition of Networks”.SI：Department of Mathematics,University of Ljubljana,Slovenia』中所示之演算方式，本領域之技術人員透過該論文可知如何分析第一相似度W1而將第一樹狀資料212及第二樹狀資料232歸納為一第一核心群組C1。
除此之外，該K最鄰近分類演算法，例如是論文『Trevor Hastie and Rolbert Tibshirani.1996.“Discriminant Adaptive Nearest Neighbor Classification”.US：IEEE TRANSACTIONS ON PAITERN ANALYSIS AND MACHINE INTELLIGENCE』中所示之演算方式。
該K均數群集分析演算法，例如是論文『Tapas Kanungo,Senior Member,IEEE,David M.Mount,Member,IEEE,Nathan S.Netanyahu,Member,IEEE,Christine D.Piatko,Ruth Silverman,and Angela Y.Wu,Senior Member,IEEE.2002.“An Efficient k-Means Clustering Algorithm：Analysis and Implementation”.FR：IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE』。本領域之技術人員透過上述K最鄰近分類演算法以及上述K均數群集分析演算法之論文可知如何分析相似度而將樹狀資料及樹狀資料進行歸納，於此不贅述。
之後，處理器13並根據判斷第一樹狀資料212及第二樹狀資料232歸納為第一核心群組C1之判斷結果判斷差異資訊。對丙之第一樹狀資料212來說，決定第一樹狀資料212相對於第二樹狀資料232之一第一差異資訊，即第一樹狀資料212沒有而第二樹狀資料232有的節點為該第一差異資訊，即為「城堡」及「山林」。
隨後，處理器13根據該第一差異資訊，即第二樹狀資料232之「城堡」及「山林」，回推對應至第二行程資料230之「新社古堡」及「陽明山」而產生一第一推薦行程214，例如是「推薦丙在研討會五天期間內去新社古堡及陽明山」，並將第一推薦行程214傳送至丙之智慧型手機21，其一顯示螢幕並顯示第一推薦行程214。
於其他實施例中，處理器13更產生對丁之一第二推薦行程 234。詳言之，處理器13根據判斷第一樹狀資料212及第二樹狀資料232歸納為第一核心群組C1之判斷結果而決定第二樹狀資料232相對於第一樹狀資料212之一第二差異資訊，換言之，即為第一樹狀資料212有但第二樹狀資料232沒有的節點「老街」及「公園」。
隨後，處理器13根據該第二差異資訊，即第二樹狀資料232之「城堡」及「山林」，回推對應至第二行程資料230之「淡水老街」及「太魯閣國家公園」產生一第二推薦行程234，例如是「推薦丁在研討會五天期間內去淡水老街及太魯閣國家公園」，並將第二推薦行程234傳送至丁之個人電腦23，其一顯示螢幕並顯示第二推薦行程234。
本發明第二實施例請同時參考第1B圖、第2A圖、第2B圖以及第2C圖，第2A圖係描繪電子計算裝置1之功能方塊圖，第2B圖係描繪使用者之樹狀資料之示意圖，第2C圖係描繪本實施例之群組示意圖。
第二實施例之電子計算裝置1所包含之元件與第一實施例之電子計算裝置1所包含之元件相同，且能執行第一實施例之電子計算裝置1所能執行之所有運作。須特別說明的是，本實施例與第一實施例的不同之處在於，本實施例中，於該為期五天的研討會共有三個使用者參加，除了第一實施例所提及之丙及丁及其資料/資訊將繼續沿用外，還包含另一使用者戊(亦為日本人；第三使用者)。
第一實施例中所提及之該本體樹建構演算法、該相似度評估演算法以及該分群演算法將於本實施例中沿用。須說明的是，本實施例之該分群演算法仍以該K核心分析演算法為例，但不限於此。
於第二實施例中，戊亦參加了台灣某大學所舉辦為期五天 的國際研討會，戊規劃於該五天內將到「內灣老街」及「象山」，並將該些規劃行程作為一第三行程資料250輸入其智慧型手機25。
同樣地，電子計算裝置1藉由輸入/輸出介面11並透過如第一實施例所述的方式接收智慧型手機25之第三行程資料250，並將其儲存於儲存器15。之後，處理器13自儲存器15擷取第三行程資料250，並根據通用本體樹800及以該本體樹建構演算法建立為一第三樹狀資料252，如第2B圖所示。
隨後，處理器13並以該相似度演算法計算第一樹狀資料212與第三樹狀資料252之間之一第二相似度W2，例如係為0.8，以及第二樹狀資料232與第三樹狀資料252之間之一第三相似度W3，例如係為0.7。
雷同於第一實施例，處理器13以該K核心分析演算法分析第一似度W1、第二相似度W2及第三相似度W3，並進一步將第一樹狀資料212、第二樹狀資料232連同第三樹狀資料252一併歸納至第一核心群組C1，此表示第一樹狀資料212、第二樹狀資料232及第三樹狀資料252之間為高度相關聯。此時，第一核心群組C1如第2C圖所示。
因此，在具有關聯性的同一個群組中，以各使用者的角度去分析其本身的行程資料與其他人的行程資料之相異資料，並根據該相異資料進一步提供給該使用者推薦行程。具體而言，於本實施例中，丙、丁及戊三人皆於同一群組之內。以丙而來說，要推薦予丙的推薦行程為該研討會期間內，丁及戊有而丙沒有規劃的行程，即以第二樹狀資料232及第三樹狀資料252有但第一樹狀資料212沒有的節點，作為該第一差異資訊，即為「城堡」及「山林」。
進一步而言，第一樹狀資料212及第二樹狀資料232之差異資訊為「城堡」及「山林」，而與第三樹狀資料252之差異資訊為「山林」。換言之，在該第一差異資訊中，包含了兩個差異字詞，分別為「城堡」及「山林」，其中「城堡」出現一次，「山林」則出現兩次，因此，處理器13更以「城堡」及「山林」之出現次數進行累計，並根據出現最多次的差異字詞一「山林」為優先產生第一推薦行程214。
於其他實施態樣，該第一差異資訊亦可係利用一門檻值而產生第一推薦行程214。詳言之，該門檻值係為字詞出現之一比例門檻值，例如係為0.4。舉例而言，丙之第一樹狀資料212沒有，但第二樹狀資料232及第三樹狀資料252有的資料內容為「城堡」及「山林」，其出現次數分別為1：2，因此，其出現比例分別為0.33及0.67，則處理器13根據該出現比例高於該門檻值之0.4所對應的樹狀資料之節點，即「山林」而產生第一推薦行程214。
第一推薦行程214之產生方式為將第二樹狀資料232及第三樹狀資料252之「山林」分別回推對應至第二行程資料230及第三行程資料250，即分別獲得「陽明山」及「象山」，之後，處理器13透過輸入/輸出介面11將「推薦丙在研討會五天期間內去陽明山及象山」之第一推薦行程214傳送至丙之智慧型手機21，該智慧型手機21之該顯示螢幕顯示第一推薦行程214。
雷同於第一推薦行程214之產生方法及傳送程序，處理器首先產生該第二樹狀資料232相對於該第一樹狀資料212及該第三樹狀資料252之該第二差異資訊，以及該第三樹狀資料252相對於該第一樹狀資料212 及該第二樹狀資料232一第三差異資訊，並且，根據該第二差異資訊及該第三差異資訊產生一第二推薦行程234及一第三推薦行程254。
丁之個人電腦23以及戊之智慧型手機25亦透過該輸入/輸出介面11自電子計算裝置1或處理器13分別接收到為「推薦丁在研討會五天期間內去淡水老街及內灣老街」之第二推薦行程234，以及為「推薦戊在研討會五天期間內去行天宮及龍山寺」之第三推薦行程254，並且個人電腦23之該顯示螢幕及智慧型手機25之一顯示螢幕分別顯示第二推薦行程234及第三推薦行程254。
由此可知，當使用者有三人(或以上)時，彼此間推薦的行程內容，更可以差異字詞的出現次數並以次數最多的一個、兩個、或多個差異字詞來作為差異資訊，或者藉由設置門檻值來決定哪些差異字詞作為差異資訊，再據以提供推薦行程，避免差異字詞過多，導致推薦行程的內容過多且雜亂的情形。
本發明第三實施例請同時參考第1B圖、第3A圖、第3B圖以及第3C圖，第3A圖係描繪電子計算裝置1之功能方塊圖，第3B圖係描繪使用者之樹狀資料之示意圖，第3C圖係描繪本實施例之群組示意圖。
第三實施例之電子計算裝置1所包含之元件與第一實施例之電子計算裝置1所包含之元件相同，且能執行第一實施例之電子計算裝置1所能執行之所有運作。須特別說明的是，本實施例與第一實施例的不同之處在於，本實施例中有三個使用者，除了第一實施例所提及之丙及丁以及其資料/資訊將繼續沿用外，還包含一使用者己(亦為日本人；第四使用者)。
此外，本實施例之使用者安排行程的一第二時段與第一及 第二實施例所述之該第一時段不同。第一實施例中所提及之該本體樹建構演算法、該相似度評估演算法以及該分群演算法將於本實施例中沿用。須說明的是，本實施例之該分群演算法仍以該K核心分析演算法為例，但不限於此。
於該第二時段中，例如是國慶假期，己規劃去日月潭及阿里山，因此己之一第四行程資料270即為「日月潭」及「阿里山」。丙預計於該第二時段中規劃去「鹿港老街」及「台中都會公園」，因此丙之一第五行程資料280為「安平古堡」及「台南黃金海岸」。丁預計於該第二時段去「鹿港老街」及「台中都會公園」，因此丁之一第六行程資料290為「安平古堡」及「台南黃金海岸」。
接著，己之個人電腦27將第四行程資料270、丙之智慧型手機21將第五行程資料280以及丁之個人電腦23將第六行程資料290透過輸入/輸出介面11傳送給電子計算裝置1，電子計算裝置1或處理器13將第四行程資料270、第五行程資料280及第六行程資料290儲存於儲存器15。
之後，處理器13自儲存器15擷取第四行程資料270、第五行程資料280及第六行程資料290，並且，將第四行程資料270、第五行程資料280及第六行程資料290根據通用本體樹800及以該本體樹建構演算法建立一第四樹狀資料272、一第五樹狀資料282以及一第六樹狀資料292，如第3B圖所示。
接著，處理器13以該相似度評估演算法分別計算第四樹狀資料272及第五樹狀資料282之間之一第四相似度W4(例如係0.8)、第五樹狀資料282及第六樹狀資料292之間之一第五相似度W5(例如係0.5)以及第 六樹狀資料292及第四樹狀資料272之間之一第六相似度W6(例如係0.4)。
再來，以該K核心分析演算法分析第四相似度W4、第五相似度W5及第六相似度W6，而將第四樹狀資料272及第五樹狀資料282歸納為一第二核心群組C2，以及將第四樹狀資料272、第五樹狀資料282以及第六樹狀資料292歸納為一第三核心群組C3，其中第二核心群組C2之一內部資料關聯性高於第三核心群組C3之一內部資料關聯性，如第3C圖所示。
對丙而言，以第二核心群組C2及第三核心群組C3的組成來看，由於第二核心群組C2之內部資料間之關聯性較第三核心群組C3之內部資料間之關聯性高，因此，電子計算裝置1僅推薦同樣於第二核心群組C2內之己的第四樹狀資料272及第四行程資料270之相關內容給丙。
詳言之，處理器13根據第二核心群組C2決定第五樹狀資料282相對於第四樹狀資料272之一第四差異資訊，即第四樹狀資料之節點「山林」，並根據該第四差異資訊回推對應至第四行程資料之「阿里山」產生對應至丙於該第二時段之一第四推薦行程274，即「建議丙於國慶期間到阿里山遊玩」，並且將第四推薦行程274透過輸入/輸出介面傳送給丙之智慧型手機21，以便智慧型手機21之該第一螢幕顯示第四推薦行程274。
以雷同的方式，處理器13根據第二核心群組C2決定第四樹狀資料272相對於第五樹狀資料282之一第五差異資訊，並據以產生推薦給己之一第五推薦行程284，處理器13並透過輸入/輸出介面11將第五推薦行程284傳送給己之個人電腦27。
須說明的是，對丁而言，由於其第六樹狀資料292並不在第二核心群組C2中，而係在第三核心群組C3中，因此，處理器13會根據第六 樹狀資料292相對於第四樹狀資料272及第五樹狀資料282的一第六差異資訊產生一第六推薦行程294。第五推薦行程284及第六推薦行程294之產生方式如其他推薦行程之產生方式，茲不贅述。
此外，當使用者有三人(或以上)時，彼此間推薦的行程內容，更可以差異字詞的出現次數並以次數最多的一個、兩個、或多個差異字詞來作為差異資訊，或者藉由設置門檻值來決定哪些差異字詞作為差異資訊，再據以提供推薦資訊，避免差異字詞過多，導致推薦資訊的內容過多且雜亂的情形。其具體實施方式如第二實施例中所述。
由上述說明可知，於第一實施例之第一時段時，丙被推薦的行程係與丁所規劃的第二行程資料230有關。然而，一旦經過時間的改變，如於第三實施例之第二時段時，丙被推薦的行程跟己所規劃的第四行程資料270有關，反而與丁所規劃的第六行程資料290無關，換言之，本發明可反應推薦行程與時段間改變的緊密關聯性。
因此，本發明針於不同時段進行之行程推薦相互之間不互相影響，因此，較能符合階段性之個人化需求。換言之，使用者之想法及生活型態會不斷隨著時間而改變，然而若如先前技術將使用者之行程資料以數量累加的方式為使用者之間進行行程推薦，無法反應精確的時間因素，更可能因使用者以往的資料過於豐富而稀釋了現時資料的反應。
本發明的第四實施例為一個人化資訊推薦方法，其流程圖係描繪於第4圖。此個人化資訊推薦方法適用於一電子計算裝置，例如：第一實施例所述的電子計算裝置1。本實施例之使用者沿用第一實施例所述之使用者，即一第一使用者及一第二使用者(於第一實施例中分別為丙及丁) 以及其所使用的各項資料/資訊及硬體設備。本實施例之該電子計算裝置包含一輸入/輸出介面、一處理器及一儲存器，其中該處理器分別與該輸入/輸出介面及該儲存器電性連接。
該第一使用者及該第二使用者首先分別將其欲於一第一時段安排之行為資料輸入至丙之一智慧型手機及丁之一個人電腦而成為一第一行為資料及一第二行為資料，之後該智慧型手機及該個人電腦分別將該第一行為資料及該第二行為資料傳送至該電子計算裝置。
該個人化資訊推薦方法首先執行步驟S400，令該輸入/輸出介面接收丙之該第一行為資料及丁之該第二行為資料，其中該第一行為資料及該第二行為資料皆係安排於一第一時段中。接著，執行步驟S410，令該儲存器儲存該第一行為資料及該第二行為資料。
之後，執行步驟S420，令該處理器自該儲存器擷取該第一行為資料及該第二行為資料。隨後，執行步驟S430，令該處理器將該第一行為資料及該第二行為資料分別以一本體樹建構演算法建立一第一樹狀資料及一第二樹狀資料。進一步而言，該第一樹狀資料及該第二樹狀資料係根據一通用本體樹而建立。
接下來，執行步驟S440，令該處理器以一相似度評估演算法計算該第一樹狀資料及該第二樹狀資料之間之一第一相似度。之後，執行步驟S450，令該處理器以一分群演算法分析該第一相似度而將該第一樹狀資料及該第二樹狀資料歸納為一第一核心群組。接著，執行步驟S460，令該處理器根據該第一核心群組決定該第一行為資料相對於該第二行為資料之一第一差異資訊。
最後，執行步驟S470，令該處理器根據該第一差異資訊產生對應至該第一使用者於該第一時段之一第一推薦資訊，俾使該第一使用者之該智慧型手機之一第一螢幕顯示該第一推薦資訊。
於其他實施態樣中，該處理器更用以計算該第二使用者之一第二推薦資訊，其計算方式與第一推薦資訊之計算方式相同，茲不贅述。
除了前述之步驟外，第四實施例之個人化資訊推薦方法亦能執行第一實施例之電子計算裝置之所有操作及功能。所屬技術領域具有通常知識者可直接瞭解第四實施例之個人化資訊推薦方法如何基於上述第一實施例以執行此等操作及功能，故不贅述。
本發明之第五實施例為一個人化資訊推薦方法，其流程圖請繼續參考第4圖。此個人化資訊推薦方法適用於一電子計算裝置，例如：第二實施例所述的電子計算裝置1。本實施例之個人化資訊推薦方法係以第四實施例之個人化資訊推薦方法為基礎予以沿用，以下將針對第五實施例與第四實施例之相異處進行說明。
具體而言，本實施例之個人化資訊推薦方法，於步驟S400中更執行：令該輸入/輸出介面接收一第三使用者之一第三行為資料，且該第三行為資料係安排於該第一時段中。於步驟S410中更執行：令該儲存器儲存該第三行為資料。於步驟S420中更執行：令該處理器自該儲存器擷取該第三行為資料。
於步驟S430中更執行：令該處理器將該第三行為資料以該本體樹建構演算法建立一第三樹狀資料。於步驟S440中更執行：令該處理器以該相似度評估演算法計算該第一樹狀資料及該第三樹狀資料之間之一 第二相似度以及該第二樹狀結構及該第三樹狀資料之間之一第三相似度。
於步驟S450中執行：令該處理器以該分群演算法分析該第一相似度、該第二相似度及該第三相似度而將該第一樹狀資料、該第二樹狀資料及該第三樹狀資料皆歸納為該第一核心群組。以及，於步驟S460中執行：令該處理器決定該第一行為資料相對於該第二行為資料及該第三行為資料之該第一差異資訊。
於其他實施態樣中，該第一差異資訊包含複數個差異字詞，該處理器更將各該差異字詞之一出現次數進行累計，並根據累計數量最多之一最佳差異字詞產生該第一推薦資訊。
於其他實施態樣，該第一差異資訊亦可係利用一門檻值而產生該第一推薦資訊。詳言之，該門檻值係為字詞出現之一比例門檻值，例如係為0.4。舉例而言，該第一樹狀資料沒有，但該第二樹狀資料及該第三樹狀資料有的資料內容例如有該第二樹狀資料之一第一節點及該第三樹狀資料之一第二節點，其出現次數分別為1：2，因此，其出現比例分別為0.33及0.67，則該處理器根據該出現比例高於該門檻值之0.4所對應的樹狀資料之該節點，即第二節點而產生該第一推薦資訊。
於其他實施態樣中，該處理器更用以計算該第二使用者之一第二推薦資訊以及該第三使用者之一第三推薦資訊，其計算方式與第一推薦資訊之計算方式相同，茲不贅述。
除了前述之步驟外，第五實施例之個人化資訊推薦方法亦能執行第二實施例之電子計算裝置之所有操作及功能。所屬技術領域具有通常知識者可直接瞭解第五實施例之個人化資訊推薦方法如何基於上述第 二實施例以執行此等操作及功能，故不贅述。
本發明之第六實施例為一個人化資訊推薦方法，其流程圖請參考第5圖。此個人化資訊推薦方法適用於一電子計算裝置，例如：第三實施例所述的電子計算裝置1。本實施例之個人化資訊推薦方法係以第四實施例之個人化資訊推薦方法為基礎予以沿用，以下將針對第六實施例之細節進行說明。
該個人化資訊推薦方法更加以執行步驟S500，令該輸入/輸出介面接收一第四使用者之一第四行為資料、該第一使用者之一第五行為資料以及該第二使用者之一第六行為資料，其中該第四行為資料、該第五行為資料及該第六行為資料皆安排於一第二時段中。
接著，執行步驟S510，令該儲存器儲存該第四行為資料、該第五行為資料及該第六行為資料。之後，執行步驟S520，令該處理器自該儲存器擷取該第四行為資料、該第五行為資料及該第六行為資料。隨後，執行步驟S530，令該處理器將該第四行為資料、該第五行為資料及該第六行為資料分別透過該本體樹建構演算法建立一第四樹狀資料、一第五樹狀資料及一第六樹狀資料。進一步而言，該第四樹狀資料、該第五樹狀資料及該第六樹狀資料係根據一通用本體樹而建立。
接下來，執行步驟S540，令該處理器以該相似度評估演算法分別計算該第四樹狀資料及該第五樹狀資料之間之一第四相似度、該第五樹狀資料及該第六樹狀資料之間之一第五相似度以及該第六樹狀資料及該第四樹狀資料之間之一第六相似度。
之後，執行步驟S550，令該處理器以該分群演算法分析該 第四相似度、該第五相似度及該第六相似度而將該第四樹狀資料及該第五樹狀資料歸納為一第二核心群組，以及將該第四樹狀資料、該第五樹狀資料以及該第六樹狀資料歸納為一第三核心群組，其中該第二核心群組之一內部資料關聯性高於該第三核心群組之一內部資料關聯性。
隨後，執行步驟S560，令該處理器根據該第二核心群組決定該第五行為資料相對於該第四行為資料之一第二差異資訊。最後，執行行步驟S570，令該處理器根據該第二差異資訊產生對應至該第一使用者於該第二時段之一第四推薦資訊。之後處理器並致能該輸入/輸出介面傳送該第四推薦資訊至該第一使用者之該智慧型手機，俾使該智慧型手機之該第一螢幕顯示該第四推薦資訊。
需說明的是，該處理器更用以計算該第四使用者之一第五推薦資訊、該第二使用者之一第六推薦資訊，其計算方式與第四推薦資訊之計算方式相同，茲不贅述。
此外，當使用者有三人(或以上)時，彼此間推薦的行程內容，更可以差異字詞的出現次數並以次數最多的一個、兩個、或多個差異字詞來作為差異資訊，或者藉由設置門檻值來決定哪些差異字詞作為差異資訊，再據以提供推薦資訊，避免差異字詞過多，導致推薦資訊的內容過多且雜亂的情形。其具體實施方式如第五實施例中所述。
除了前述之步驟外，第六實施例之個人化資訊推薦方法亦能執行第三實施例之電子計算裝置之所有操作及功能。所屬技術領域具有通常知識者可直接瞭解第六實施例之個人化資訊推薦方法如何基於上述第三實施例以執行此等操作及功能，故不贅述。
再者，第四、第五及第六實施例所描述之個人化資訊推薦方法可由一電腦程式產品加以實現。當一電子計算裝置載入此電腦程式產品，並執行此電腦程式產品所包含之複數個程式指令(即程式指令A至O)後，即可完成第四、第五、第六及第七實施例所描述之個人化資訊推薦方法。前述之電腦程式產品可為能於網路上傳輸之檔案，亦可被儲存於非揮發性電腦可讀取記錄媒體中，例如唯讀記憶體(read only memory；ROM)、快閃記憶體、軟碟、硬碟、光碟、隨身碟、磁帶、可由網路存取之資料庫或熟習此項技藝者所習知且具有相同功能之任何其它儲存媒體中。
由上述各實施例之說明可知，本發明提供之電子計算裝置將使用者個人資訊之間的關聯性精確化，並進一步提供有時間區隔效果的推薦資訊，以提升推薦資訊的有效性，達成精確、有效性高的推薦效果。
上述之實施例僅用來例舉本發明之實施態樣，以及闡釋本發明之技術特徵，並非用來限制本發明之保護範疇。任何熟悉此技術者可輕易完成之改變或均等性之安排均屬於本發明所主張之範圍，本發明之權利保護範圍應以申請專利範圍為準。

Claims (15)

  1. 一種用於提供個人化資訊推薦之電子計算裝置，包含：一輸入/輸出介面，用以接收一第一使用者之一第一行為資料以及一第二使用者之一第二行為資料，其中該第一行為資料及該第二行為資料皆係安排於一第一時段中；一儲存器，與該輸入/輸出介面電性連接，用以儲存該第一行為資料及該第二行為資料；以及一處理器，與該儲存器電性連接，該處理器用以執行下列操作：自該儲存器擷取該第一行為資料及該第二行為資料；將該第一行為資料及該第二行為資料分別以一本體樹建構演算法(Ontology Construction Algorithm)建立一第一樹狀資料及一第二樹狀資料；以一相似度評估演算法(Similarity Evaluation Algorithm)計算該第一樹狀資料及該第二樹狀資料之間之一第一相似度；以一分群演算法(Clustering Algorithm)分析該第一相似度而將該第一樹狀資料及該第二樹狀資料歸納為一第一群組；根據該第一群組決定該第一樹狀資料相對於該第二樹狀資料之一第一差異資訊；以及根據該第一差異資訊產生對應至該第一使用者於該第一時段之一第一推薦資訊，俾一第一螢幕顯示該第一推薦 資訊。
  2. 如請求項1所述之電子計算裝置，其中，該輸入/輸出介面更用以接收一第三使用者之一第三行為資料，且該第三行為資料係安排於該第一時段中，該儲存器更用以儲存該第三行為資料，該處理器更用以執行下列操作：自該儲存器擷取該第三行為資料；將該第三行為資料以該本體樹建構演算法建立一第三樹狀資料；以該相似度評估演算法計算該第一樹狀資料及該第三樹狀資料之間之一第二相似度以及該第二樹狀結構及該第三樹狀資料之間之一第三相似度；以及其中，該第一群組更歸納了該第三樹狀資料，且係由該處理器更透過該分群演算法分析該第一相似度、該第二相似度及該第三相似度而將該第一樹狀資料而獲得；其中，該第一差異資訊更係由該處理器根據該第一群組並判斷該第一行為資料相對於該第二樹狀資料及該第三樹狀資料之一差異而獲得。
  3. 如請求項2所述之電子計算裝置，其中，該第一差異資訊包含複數個差異字詞，該處理器更將各該差異字詞之一出現次數進行累計，並根據累計數量最多之一最佳差異字詞產生該第一推薦資訊。
  4. 如請求項2所述之電子計算裝置，其中，該第一差異資訊包含複數個差異字詞，該處理器更根據複數個差異字詞之至少其中之一的一出現比例高於一門檻值而產生該第一推薦資 訊。
  5. 如請求項1所述之電子計算裝置，其中，該輸入/輸出介面更用以接收一第四使用者之一第四行為資料、該第一使用者之一第五行為資料以及該第二使用者之一第六行為資料，其中該第四行為資料、該第五行為資料及該第六行為資料皆安排於一第二時段中，該儲存器更用以儲存該第四行為資料、該第五行為資料及該第六行為資料，該處理器更用以執行下列操作：自該儲存器擷取該第四行為資料、該第五行為資料及該第六行為資料；將該第四行為資料、該第五行為資料及該第六行為資料分別透過該本體樹建構演算法建立一第四樹狀資料、一第五樹狀資料及一第六樹狀資料；以該相似度評估演算法分別計算該第四樹狀資料及該第五樹狀資料之間之一第四相似度、該第五樹狀資料及該第六樹狀資料之間之一第五相似度以及該第六樹狀資料及該第四樹狀資料之間之一第六相似度；以該分群演算法分析該第四相似度、該第五相似度及該第六相似度而將該第四樹狀資料及該第五樹狀資料歸納為一第二群組，以及將該第四樹狀資料、該第五樹狀資料以及該第六樹狀資料歸納為一第三群組，其中該第二群組之一內部資料關聯性高於該第三群組之一內部資料關聯性；根據該第二群組決定該第五樹狀資料相對於該第四樹狀資料之一第二差異資訊；以及 根據該第二差異資訊產生對應至該第一使用者於該第二時段之一第二推薦資訊，俾該第一螢幕顯示該第二推薦資訊。
  6. 一種個人化資訊推薦方法，用於一電子計算裝置，該電子計算裝置包含一輸入/輸出介面、一儲存器及一處理器，該個人化資訊推薦方法包含下列步驟：(a)令該輸入/輸出介面接收一第一使用者之一第一行為資料以及一第二使用者之一第二行為資料，其中該第一行為資料及該第二行為資料皆係安排於一第一時段中；(b)令該儲存器儲存該第一行為資料及該第二行為資料；(c)令該處理器自該儲存器擷取該第一行為資料及該第二行為資料；(d)令該處理器將該第一行為資料及該第二行為資料分別以一本體樹建構演算法建立一第一樹狀資料及一第二樹狀資料；(e)令該處理器以一相似度評估演算法計算該第一樹狀資料及該第二樹狀資料之間之一第一相似度；(f)令該處理器以一分群演算法分析該第一相似度而將該第一樹狀資料及該第二樹狀資料歸納為一第一群組；(g)令該處理器根據該第一群組決定該第一行為資料相對於該第二行為資料之一第一差異資訊；以及(h)令該處理器根據該第一差異資訊產生對應至該第一使用者於該第一時段之一第一推薦資訊，俾一第一螢幕顯示該第一推薦資訊。
  7. 如請求項6所述之個人化資訊推薦方法，其中： 於步驟(a)中更包含下列步驟：(a1)令該輸入/輸出介面接收一第三使用者之一第三行為資料，且該第三行為資料係安排於該第一時段中；於步驟(b)中更包含下列步驟：(b1)令該儲存器儲存該第三行為資料；於步驟(c)中更包含下列步驟：(c1)令該處理器自該儲存器擷取該第三行為資料；於步驟(d)中更包含下列步驟：(d1)令該處理器將該第三行為資料以該本體樹建構演算法建立一第三樹狀資料；於步驟(e)中更包含下列步驟：(e1)令該處理器以該相似度評估演算法計算該第一樹狀資料及該第三樹狀資料之間之一第二相似度以及該第二樹狀結構及該第三樹狀資料之間之一第三相似度；步驟(f)更為下列步驟：(f1)令該處理器以該分群演算法分析該第一相似度、該第二相似度及該第三相似度而將該第一樹狀資料、該第二樹狀資料及該第三樹狀資料皆歸納為該第一群組；以及步驟(g)更為下列步驟：(g1)令該處理器決定該第一行為資料相對於該第二行為資料及該第三行為資料之該第一差異資訊。
  8. 如請求項7所述之個人化資訊推薦方法，其中，該第一差異資訊包含複數個差異字詞，該處理器更將各該差異字詞之一出現次數進行累計，並根據累計數量最多之一最佳差異字詞產 生該第一推薦資訊。
  9. 如請求項7所述之個人化資訊推薦方法，其中，該第一差異資訊包含複數個差異字詞，該處理器更根據複數個差異字詞之至少其中之一的一出現比例高於一門檻值而產生該第一推薦資訊。
  10. 如請求項6所述之個人化資訊推薦方法，其中更包含下列步驟：(i)令該輸入/輸出介面接收一第四使用者之一第四行為資料、該第一使用者之一第五行為資料以及該第二使用者之一第六行為資料，其中該第四行為資料、該第五行為資料及該第六行為資料皆安排於一第二時段中；(j)令該儲存器儲存該第四行為資料、該第五行為資料及該第六行為資料；(k)令該處理器自該儲存器擷取該第四行為資料、該第五行為資料及該第六行為資料；(l)令該處理器將該第四行為資料、該第五行為資料及該第六行為資料分別透過該本體樹建構演算法建立一第四樹狀資料、一第五樹狀資料及一第六樹狀資料；(m)令該處理器以該相似度評估演算法分別計算該第四樹狀資料及該第五樹狀資料之間之一第四相似度、該第五樹狀資料及該第六樹狀資料之間之一第五相似度以及該第六樹狀資料及該第四樹狀資料之間之一第六相似度；(n)令該處理器以該分群演算法分析該第四相似度、該第五相似度及該第六相似度而將該第四樹狀資料及該第五樹狀 資料歸納為一第二群組，以及將該第四樹狀資料、該第五樹狀資料以及該第六樹狀資料歸納為一第三群組，其中該第二群組之一內部資料關聯性高於該第三群組之一內部資料關聯性；(o)令該處理器根據該第二群組決定該第五行為資料相對於該第四行為資料之一第二差異資訊；以及(p)令該處理器根據該第二差異資訊產生對應至該第一使用者於該第二時段之一第二推薦資訊，俾該第一螢幕顯示該第二推薦資訊。
  11. 一種電腦程式產品，經由一電子計算裝置載入該電腦程式產品後，執行該電腦程式產品所包含之複數個程式指令，以使該電子計算裝置執行一種個人化資訊推薦方法，該等程式指令包含：程式指令A，由該電子計算裝置接收一第一使用者之一第一行為資料以及一第二使用者之一第二行為資料，其中該第一行為資料及該第二行為資料皆係安排於一第一時段中；程式指令B，由該電子計算裝置儲存該第一行為資料及該第二行為資料；程式指令C，由該電子計算裝置將該第一行為資料及該第二行為資料分別以一本體樹建構演算法建立一第一樹狀資料及一第二樹狀資料；程式指令D，由該電子計算裝置以一相似度評估演算法計算該第一樹狀資料及該第二樹狀資料之間之一第一相似度； 程式指令E，由該電子計算裝置以一分群演算法分析該第一相似度而將該第一樹狀資料及該第二樹狀資料歸納為一第一群組；程式指令F，由該電子計算裝置根據該第一群組決定該第一樹狀資料相對於該第二樹狀資料之一第一差異資訊；以及程式指令G，由該電子計算裝置根據該第一差異資訊產生對應至該第一使用者於該第一時段之一第一推薦資訊，俾一第一螢幕顯示該第一推薦資訊。
  12. 如請求項11所述之電腦程式產品，其中：程式指令A更包含下列指令：由該電子計算裝置接收一第三使用者之一第三行為資料，其中該第三行為資料係安排於該第一時段中；程式指令B更包含下列指令：由該電子計算裝置儲存該第三行為資料；程式指令C更包含下列指令：由該電子計算裝置將該第三行為資料以該本體樹建構演算法建立一第三樹狀資料；程式指令D更包含下列指令：由該電子計算裝置以該相似度評估演算法計算該第一樹狀資料及該第三樹狀資料之間之一第二相似度以及該第二樹狀結構及該第三樹狀資料之間之一第三相似度；程式指令E更為下列指令：由該電子計算裝置以該分群演算法分析該第一相似度、該第二相似度及該第三相似度而將該第一樹狀資料、該 第二樹狀資料及該第三樹狀資料皆歸納為該第一群組；以及程式指令F更為下列指令：由該電子計算裝置決定該第一使用者之該第一樹狀資料相對於該第二樹狀資料及該第三樹狀資料之該第一差異資訊。
  13. 如請求項12所述之電腦程式產品，其中，該第一差異資訊包含複數個差異字詞，該處理器更將各該差異字詞之一出現次數進行累計，並根據累計數量最多之一最佳差異字詞產生該第一推薦資訊。
  14. 如請求項12所述之個人化資訊推薦方法，其中，該第一差異資訊包含複數個差異字詞，該處理器更根據複數個差異字詞之至少其中之一的一出現比例高於一門檻值而產生該第一推薦資訊。
  15. 如請求項11所述之電腦程式產品，其中該等程式指令更包含：程式指令H，由該電子計算裝置接收一第四使用者之一第四行為資料、該第一使用者之一第五行為資料以及該第二使用者之一第六行為資料，其中該第四行為資料、該第五行為資料及該第六行為資料皆安排於一第二時段中；程式指令I，由該電子計算裝置儲存該第四行為資料、該第五行為資料及該第六行為資料；程式指令J，由該電子計算裝置將該第四行為資料、該第五行為資料及該第六行為資料分別透過該本體樹建構演算法建立一第四樹狀資料、一第五樹狀資料及一第六樹狀資料；程式指令K，由該電子計算裝置以該相似度評估演算法 分別計算該第四樹狀資料及該第五樹狀資料之間之一第四相似度、該第五樹狀資料及該第六樹狀資料之間之一第五相似度以及該第六樹狀資料及該第四樹狀資料之間之一第六相似度；程式指令L，由該電子計算裝置以該分群演算法分析該第四相似度、該第五相似度及該第六相似度而將該第四樹狀資料及該第五樹狀資料歸納為一第二群組，以及將該第四樹狀資料、該第五樹狀資料以及該第六樹狀資料歸納為一第三群組，其中該第二群組之一內部資料關聯性高於該第三群組之一內部資料關聯性；程式指令M，由該電子計算裝置根據該第二群組決定該第五樹狀資料相對於該第四樹狀資料之一第二差異資訊；以及程式指令O，由該電子計算裝置根據該第二差異資訊產生對應至該第一使用者於該第二時段之一第二推薦資訊，俾該第一螢幕顯示該第二推薦資訊。
TW102136193A 2013-10-07 2013-10-07 電子計算裝置、其個人化資訊推薦方法及其電腦程式產品 TWI525460B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW102136193A TWI525460B (zh) 2013-10-07 2013-10-07 電子計算裝置、其個人化資訊推薦方法及其電腦程式產品
CN201310494650.1A CN104516938B (zh) 2013-10-07 2013-10-21 电子计算装置及其个人化信息推荐方法
US14/094,359 US9208501B2 (en) 2013-10-07 2013-12-02 Electronic computing device, personalized data recommending method thereof, and non-transitory machine-readable medium thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW102136193A TWI525460B (zh) 2013-10-07 2013-10-07 電子計算裝置、其個人化資訊推薦方法及其電腦程式產品

Publications (2)

Publication Number Publication Date
TW201514730A true TW201514730A (zh) 2015-04-16
TWI525460B TWI525460B (zh) 2016-03-11

Family

ID=52777826

Family Applications (1)

Application Number Title Priority Date Filing Date
TW102136193A TWI525460B (zh) 2013-10-07 2013-10-07 電子計算裝置、其個人化資訊推薦方法及其電腦程式產品

Country Status (3)

Country Link
US (1) US9208501B2 (zh)
CN (1) CN104516938B (zh)
TW (1) TWI525460B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI607324B (zh) * 2015-12-29 2017-12-01 Chunghwa Telecom Co Ltd Data feature selection and data grouping system and method for vehicle travel time
CN106557574B (zh) * 2016-11-23 2020-02-04 广东电网有限责任公司佛山供电局 基于树结构的目标地址匹配方法和系统
US11593513B2 (en) * 2017-10-10 2023-02-28 Hakuhodo Dy Holdings Inc. Information processing system, data provision system, and related method
CN109299368B (zh) * 2018-09-29 2020-11-24 北京思路创新科技有限公司 一种用于环境信息资源ai智能个性化推荐的方法及系统
CN110245080B (zh) * 2019-05-28 2022-08-16 厦门美柚股份有限公司 生成场景测试用例的方法及装置
CN110543949B (zh) * 2019-09-02 2023-06-16 上海评驾科技有限公司 一种基于专家系统的手机用户拥车情况的判断方法
JP7517351B2 (ja) 2019-12-25 2024-07-17 日本電気株式会社 旅程提案システム、旅程提案方法、及びコンピュータプログラム
US20230093988A1 (en) * 2021-09-24 2023-03-30 International Business Machines Corporation Data-driven decision enhancement
CN114444873A (zh) * 2021-12-28 2022-05-06 支付宝(杭州)信息技术有限公司 一种风险识别方法、装置以及设备

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7630986B1 (en) * 1999-10-27 2009-12-08 Pinpoint, Incorporated Secure data interchange
US8352331B2 (en) 2000-05-03 2013-01-08 Yahoo! Inc. Relationship discovery engine
US7630916B2 (en) 2003-06-25 2009-12-08 Microsoft Corporation Systems and methods for improving collaborative filtering
WO2007103938A2 (en) 2006-03-06 2007-09-13 Veveo, Inc. Methods and systems for selecting and presenting content based on learned user preferences
US8635241B2 (en) * 2009-02-18 2014-01-21 Hitachi, Ltd. Method of recommending information, system thereof, and server
US8335754B2 (en) * 2009-03-06 2012-12-18 Tagged, Inc. Representing a document using a semantic structure
US20100241647A1 (en) * 2009-03-23 2010-09-23 Microsoft Corporation Context-Aware Query Recommendations
CN102129432A (zh) * 2010-01-15 2011-07-20 西安交通大学 一种基于语义的Web服务自动搜索方法
CN102135997A (zh) * 2011-03-23 2011-07-27 华中科技大学 一种基于本体的数字化学习资源的管理方法
US8914313B2 (en) * 2012-07-18 2014-12-16 Seiko Epson Corporation Confidence based vein image recognition and authentication
CN102945266A (zh) * 2012-10-25 2013-02-27 苏州两江科技有限公司 基于本体查询系统进行多领域产品推荐的方法

Also Published As

Publication number Publication date
US9208501B2 (en) 2015-12-08
TWI525460B (zh) 2016-03-11
CN104516938B (zh) 2017-09-12
US20150100575A1 (en) 2015-04-09
CN104516938A (zh) 2015-04-15

Similar Documents

Publication Publication Date Title
TWI525460B (zh) 電子計算裝置、其個人化資訊推薦方法及其電腦程式產品
US20220277248A1 (en) User objective assistance technologies
CN111815415B (zh) 一种商品推荐方法、系统及设备
Ghaemi et al. A visual segmentation method for temporal smart card data
Yang et al. Hierarchical multi-clue modelling for POI popularity prediction with heterogeneous tourist information
CN108885624B (zh) 信息推荐系统及方法
US11494204B2 (en) Mixed-grained detection and analysis of user life events for context understanding
US20180191860A1 (en) Context management for real-time event awareness
US11334750B2 (en) Using attributes for predicting imagery performance
Ying et al. Semantic trajectory-based high utility item recommendation system
CN110264277B (zh) 由计算设备执行的数据处理方法及装置、介质和计算设备
CN112632379A (zh) 路线推荐方法、装置、电子设备和存储介质
Yigit et al. Extended topology based recommendation system for unidirectional social networks
CN115423555A (zh) 一种商品推荐方法、装置、电子设备及存储介质
Hong et al. Multi-criteria tensor model consolidating spatial and temporal information for tourism recommendation
Pereira et al. crowdsensing in the web: Analyzing the citizen experience in the urban space
Zhang et al. Automatic latent street type discovery from web open data
Lozano et al. Efficiency assessment using network analysis tools
Aufaure et al. Advances in FCA-based applications for social networks analysis
Li et al. A contextualized and personalized model to predict user interest using location-based social networks
Chen et al. Trajectory pattern mining: Exploring semantic and time information
Dudas Cooperative, dynamic Twitter parsing and visualization for dark network analysis
Al-Ghossein et al. Cross-domain recommendation in the hotel sector
Ashley-Dejo et al. A context-aware proactive recommender system for tourist
CN116975359A (zh) 资源处理方法、资源推荐方法、装置和计算机设备

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees