隨著網際網路的普及與資訊科技的進步，資訊被大量複製、傳播與儲存，加快了資訊的分享與利用。然而，在享受資訊科技帶來的便利的同時，我們同樣也面臨到資訊超載的問題。有鑑於此，各種搜尋引擎便被廣泛用來搜尋資料，但是若使用者本身對資料所在的領域不了解，搜尋引擎的幫助有限。除此之外，推薦系統也是另一個解決的方法，推薦系統本身若有一個完整的知識架構，則能提供領域中完整的資料，但是一般的推薦系統都是以分類分群的方法來推薦相似的資料，並不能提供使用者沒看過卻可能會有興趣的資料。
本研究改進一般內容導向的作法，並加入了語意擴充的機制，藉由概念和概念之間的關聯，將使用者喜好的概念加以擴充，擴充的類型包含了一般化、特殊化及相關性的擴充，包含這些概念的文件將被推薦給使用者，這些概念有可能是使用者之前所沒接觸過的，卻和之前熟悉的概念相關，這表示推薦方法可以讓使用者閱讀到語意相關的文件，而不是相似的文件。最後，藉由實驗證實本研究所提出之語意擴充推薦方法優於關鍵字推薦的方法。

none

目 錄
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機 2
第三節 研究目的 3
第四節 研究流程 4
第五節 論文架構 5
第二章 文獻探討 6
第一節 推薦系統 6
第二節 資訊擷取 13
第三節 查詢問句擴展 16
第四節 擴散促動模式 19
第三章 推薦方法 28
第一節 系統概述 28
第二節 語意關聯網路 32
第三節 偏好擷取 40
第四節 推薦處理 41
第五節 相關回饋學習 52
第四章 雛型系統 54
第一節 雛型系統架構 54
第二節 使用軟體介紹 55
第三節 建立資料庫 56
第四節 使用者偏好擴散 64
註：*代表擴散後後加入的概念 66
第五節 論文推薦 67
第五章 實證評估 68
第一節 研究模式與變數 68
第二節 研究假說 69
第三節 實驗設計及實驗流程 69
第四節 實驗系統開發 70
第五節 實證結果分析 75
第六章 結論 77
第一節 研究結果 77
第二節 研究貢獻 78
第三節 研究限制 79
第四節 未來研究方向 80
參考文獻 81
附錄一 實驗系統的論文資料 84
附錄二 概念列表 90
附錄三 語意關聯的樹狀結構 98

參考文獻
1. 賴宏仁,“電子報個人化新聞推薦方法之研究,”中山大學資訊管理研究所博士論文, 民88.
2. Balabanovic , M. and Shoham , Y., “Fab:Content-Based, Collaborative Recommendation,” COMMUNICATION OF ACM, Vol. 40 No. 3, March 1997
3. Collins, A. M. and Loftus, E. F., “A spreading activation theory of semantic processing,” Psychological Review, 82:407-425,1975.
4. Crestani, F. and Lee, Puay-Leng , “Searching the web by constrained spreading activation,” Information Processing and Management, 36(4):585-605, 2000.
5. Crestani, F. “Application of spreading activation techniques in information retrieval,” Artificial Intelligence Review, 11(6):453-482, 1997
6. Crouch,C. J. and Yang, B., “Experiments in Automatic Statistical Thesaurus construction,” In Proceedings of the 15th Annual International ACM-SIGIR Conference on Research and Development in Information Retrieval, Copenhagen, Denmark, June 21-24 1992, 77-88.
7. Dickson, G.W., "Research in Management Information System: The Minnesota Experiments," Management Science, Vol. 23, No. 9, 1977, pp. 913-923.
8. Fuhr, N. and Huther, H. (1989), “Optimum probability estimation from empirical distributions,” Information Processing and management, 25(5), 493-507.
9. Gauch ,S. and Smith, J. B. “An Expert System for Automatic Query Reformation,” Journal of the American Society for Information Science, vol.44, no.3 (1993):133
10. Goldberg,D. , Nichols, D. , Brian, M. Oki and Douglas, T., “Using Collaborative Filtering to weave an information tapestry,” communication of the ACM, December 1992, vol. 35, No12.
11. Jing, Y. and Croft, W. B., “An Association Thesaurus for Information Retrieval,” Proceedings of RIAO 94, 1994, pp. 146-160.
12. Konstan, J. A. , Bradley, N. Miller , Maltz , D. , Herlocker ,J. L. , Lee, R. Gordon and Riedl , J., “GroupLens: Applying Collaborative Filtering to Usenet News,” Communications of ACM, vol.40 no.3, 1997.
13. Lang, K., “Newsweeder: Learning to Filter Netnews,” Proceeding of the 12th Internaionl Conference on Maching Learning, Denver, May1995.
14. Lin, Shian-Hua , Shin, Chi-Shenand , Chen, Meng-Chang , Ho, Jan-Ming , Ko,Ming-Tat and Huang , Yueh-Ming, “Extracting Classification Knowledge of Internet Documents with Mining Term Associations: A Semantic Approach,” ACM SIGIR98.
15. Miller, G. A. “WordNet: A Lexical Database,” Communication of ACM, 38(11), 1995, pp. 39-41.
16. Miller, G. A., “Dictionaries in the Mind,” Language and Cognitive Processes 1: 171-185, 1986.
17. National Library of Medicine, “UMLS Knowledge Sources,” National Library of Medicine, 12th Experimental Edition, January 2001.
18. Orad, D., Kim, J.,”Implicit Feedback for Recommender Systems,” In Proceedings of AAAI Workshops on Recommender Systems, July 1998.
19. Paice , C.D. (1991), “A Thesaural Model of Information Retrieval,” Information processing and management, 27(5), 433-447, 1991.
20. Qiu ,Y. and Frei , H. P. , “Concept Based Query Expansion,” In Proceedings of the 16th Annual International ACM-SIGIR Conference on Research and Development in Information Retrieval, Pittsburgh, PA, USA, Jun 27 – Jul 1 1993, 160-161
21. Quillian, R., Semantic memory. In Minsky, M., editor, Semantic Information Processing, pages 216-270. The MIT Press, Cambridge, MA, USA., 1968.
22. Rocchio, J.J., “Relevance feed back in information retrieval,” In the SMART Retrieval System—Experiments in Automatic Document Processing, pp. 313-323, Englewood Cliffs, NJ, 1971. Prentice Hall, Inc.
23. Sakagami, H. and Kamba, T., “Learning Personal Preferences on Online Newspaper Articles from User Behaviors,” Computer Networks and ISDN Systems, Vol. 29,1997, pp. 1447-1455.
24. Salton, G. and McGill, M., (1983). “Introduction to modern information retrieval,” New York, McGraw-Hill.
25. Schafer, J. B., Konstan, J. A. and Riedl, J. , “E-Commerce Recommendation Applications,” Data Mining and Knowledge Discovery, 5(1), 115-153, 2001.
26. Wei, J. , Bressan, S. and Ooi, Beng-Chin, “Mining Term Association Rules for Automatic Global Query Expansion: Methodology and Preliminary Results,” Proceedings of the first International Conference on Web Information Systems Engineering, 2000, vol1, pp. 366-373.
27. Xu, J., “Solving the Word Mismatch Problem Through Automatic Text Analysis,” PhD Thesis, University of Massachusetts at Amherst, 1997.
28. Xu, J. and Croft, W. B., “Query Expansion Using Local and Global Document Analysis,” Proceedings of the 19th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, 1996, pp. 4-11.
29. Yu, C.T. , Buckley, C. , Lam, K. and Salton, G.(1983), “A generalized term dependence model in information retrieval,” Information Technology: Research and Development, 2(4), 129-154.