博碩士論文 103453015 詳細資訊




以作者查詢圖書館館藏 以作者查詢臺灣博碩士 以作者查詢全國書目 勘誤回報 、線上人數:8 、訪客IP:35.175.172.211
姓名 蔡明仁(Ming-Jen Tsai)  查詢紙本館藏   畢業系所 資訊管理學系在職專班
論文名稱 資料探勘技術在電影推薦上的應用研究-以F線上影音平台為例
相關論文
★ 網路合作式協同教學設計平台-以國中九年一貫課程為例★ 內容管理機制於常用問答集(FAQ)之應用
★ 行動多重代理人技術於排課系統之應用★ 存取控制機制與國內資安規範之研究
★ 信用卡系統導入NFC手機交易機制探討★ App應用在電子商務的推薦服務-以P公司為例
★ 建置服務導向系統改善生產之流程-以W公司PMS系統為例★ NFC行動支付之TSM平台規劃與導入
★ 關鍵字行銷在半導體通路商運用-以G公司為例★ 探討國內田徑競賽資訊系統-以103年全國大專田徑公開賽資訊系統為例
★ 航空地勤機坪作業盤櫃追蹤管理系統導入成效評估—以F公司為例★ 導入資訊安全管理制度之資安管理成熟度研究-以B個案公司為例
★ BI視覺化工具運用於資安日誌分析—以S公司為例★ 特權帳號登入行為即時分析系統之實證研究
★ 郵件系統異常使用行為偵測與處理-以T公司為例★ Google文字關聯在多領域文件分類上的應用
檔案 [Endnote RIS 格式]    [Bibtex 格式]    [相關文章]   [文章引用]   [完整記錄]   [館藏目錄]   至系統瀏覽論文 ( 永不開放)
摘要(中) 隨著互聯網技術的日益成熟以及娛樂文化的發展,人們越來越依賴通過數位影音平台觀看電影、戲劇。在資訊爆炸時代,信息量急劇上升,影音平台的資訊也日益豐富,如何在浩如煙海資料中找到人們有興趣觀看的電影成為一個需要被解決的課題。電影作為日常主要精神娛樂項目之一也存在資訊超載的難題。
本研究為達到個性化推薦的目的,每日對線上影音平台上的用戶基本資料、電影基本資料及用戶對電影的觀看行為,使用資料探勘技術對用戶進行分群分析,使同一個群集的用戶有最相似的電影觀看興趣,使不同群集的用戶有最大差異的電影觀看喜好,並在用戶進入平台時向其推薦本人未曾觀看且同一群集的用戶曾經觀看過次數排前10名的電影。
將同群集用戶觀看的電影套用關聯分析中的購物籃分析概念,以同一用戶每二個月觀看電影的行為當做一次購物籃的交易來分析同群用戶通常看什麼電影,哪些電影經常會被連續觀看,以及看完某影片後會續看那些影片。
本研究同時透過關聯法則對2018年1-2月份用戶觀看電影的行為進行分析,得出F線上影音大多數的用戶都喜歡看2011年由美國出版的恐怖片。

關鍵詞:線上影音平台推薦系統、資料探勘、分群分析、關聯分析
摘要(英) With the increasing maturity of Internet technology and the development of entertainment culture, people are increasingly relying on watching movies and dramas through digital video platforms. In the era of information explosion, the amount of information has risen sharply, and the information on the video and audio platforms has become increasingly abundant. How to find movies that people are interested in watching in a vast array of materials has become a topic that needs to be addressed. As one of the major daily spiritual entertainment projects, movies also have the problem of information overload.
In order to achieve the purpose of personalized recommendation, this study uses user data, platform basic data, and user′s viewing behavior on the online video platform, and uses data mining technology to analyze users in groups so that users in the same cluster have The most similar movie viewing interests allow the users of different clusters to have the most disparate movie viewing preferences and recommend to the user that the user of the same cluster has never watched the top 10 movies when he enters the platform.
Applying the shopping basket analysis concept in association analysis to the movie watched by the cluster user, the same user viewing the movie every two months as a shopping basket transaction to analyze what movies the same group of users usually see, and which movies are often consecutive Watch and watch those videos after watching them.
This study also analyzed the behavior of users watching movies in January-February 2018 through association rules. The majority of users who found that audio and video on the F line like to watch horror films published in the United States in 2011.

Keywords: online video platform recommendation system, data exploration, cluster analysis, association analysis
關鍵字(中) ★ 線上影音平台推薦系統
★ 資料探勘
★ 分群分析
★ 關聯分析
關鍵字(英)
論文目次 中文摘要 II
Abstract III
誌謝 IV
目錄 V
圖目錄 VII
表目錄 VIII
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目的 3
1.4 論文架構 4
第二章 文獻探討 5
2.1 個性化推薦 5
2.1.1 基於人口統計的推薦 5
2.1.2 基於內容的推薦 6
2.1.3 基於協同過濾的推薦 7
2.1.4 基於關聯的推薦 9
2.2 資料探勘 10
2.2.1 分群分析 10
2.2.2 關聯分析 13
第三章 研究方法 16
3.1 系統架構 16
3.2 研究工具 17
3.3 研究方法 17
3.4 研究對象 18
3.5 資料蒐集來源與方式 19
第四章 個案研究 20
4.1 資料準備 20
4.1.1 資料整合 21
4.1.2 資料清理 22
4.1.3 資料轉換 23
4.1.4 資料精簡 25
4.1.5 資料整理結果 27
4.2 分群分析 29
4.3 關聯分析 37
4.4 用戶觀看電影喜好關聯分析 40
4.4.1 整體用戶觀看電影喜好關聯分析 40
4.4.2 分群用戶觀看電影喜好關聯分析 41
4.5 個案發現 46
第五章 結論 49
5.1 研究總結 49
5.2 建議 49
5.3 研究限制 50
5.4 未來研究方向 50
參考文獻 51
參考文獻 [1] 項亮(2012)。推荐系統實踐。北京:人民邮电出版社。
[2] 蒋凡(譯)(2013)。推荐系統。北京:人民邮电出版社。(Dietmar Jannach等,2013)。
[3] 施雅月、賴錦慧(譯)(2007)。資料探勘。台北市:台灣培生教育。(Pang-Ning Tan等,2007)
[4] 簡禎富、許嘉裕(2014)。資料挖礦與大數據分析。前程文化事業有限公司。
[5] 施威宏(2009)。結合分群法和關聯性法則之資料探勘-以104家教網為例。國立彰化師範大學資訊工程學系碩士論文。
[6] 徐晟熏(2014)。資料探勘在人力資源管理上的分析與應用。國立中央大學人力資源管理學系碩士論文。
[7] NETFLIX (2011)。Netflix Facts。取自2018-05-15,from http://cdn-0.nflximg.com/us/pdf/Consumer_Press_Kit.pdf
[8] 陳鍾誠(2010)。K-Means 分群演算法。取自2018-05-05,from http://ccckmit.wikidot.com/ai:kmeans
[9] CSDN博客(2015)。十大數據挖掘算法之Apriori算法。取自2018-05-05, from https://read01.com/zh-tw/mEjNB4.html#.Wu3DNKSFN0w
[10] Wikipedia(2017)。k-means clustering。取自2018-05-05,from https://en.wikipedia.org/wiki/K-means_clustering
[11] Wikipedia(2017)。Apriori algorithm。取自2018-05-05,from https://en.wikipedia.org/wiki/Apriori_algorithm
指導教授 林熙禎 審核日期 2018-6-29
推文 facebook   plurk   twitter   funp   google   live   udn   HD   myshare   reddit   netvibes   friend   youpush   delicious   baidu   
網路書籤 Google bookmarks   del.icio.us   hemidemi   myshare   

若有論文相關問題,請聯絡國立中央大學圖書館推廣服務組 TEL:(03)422-7151轉57407,或E-mail聯絡  - 隱私權政策聲明