企業部落格文章之自動化分類與推薦

Abstract

企業競爭已經進入以知識為基礎之後知識經濟時代，不斷創新及持續學習成為組織決勝的關鍵。建立企業組織知識價值觀並透過良好的知識分享和知識管理的機制，才能有效提昇組織價值和能力。 近年來，文件自動化分類與推薦方法已成功應用於知識管理和知識分享，自動化分類文件可幫助文件有效管理與取用；透過分析使用者興趣，預測使用者對知識的偏好，主動推薦使用者有興趣、相關知識文件，可加速組織內知識的傳遞、分享與使用。 本研究針對企業內部部落格文章設計分類與推薦兩大機制。分類是透過文件與類別特徵檔相似度概念進行分類；推薦機制包含社群分析與文件推薦兩模組，社群分析考量使用者興趣與個人屬性檔相關性，進行使用者多社群分析。文件推薦是結合多社群與混合式過濾推薦，並使用四種推薦方法「社群最大分數法」、「社群興趣最大分數法」、「使用者權重最大分數法」、「使用者權重興趣最大分數法」。依比例混合之內容式推薦（使用者對文章興趣程度）與協同式推薦（鄰居使用者是否點閱該文章、與目標使用者相似度、使用者權重、鄰居使用者對文章興趣指數）得出文件預測興趣分數、推薦清單。 實驗結果顯示，本研究所提分類法可有效率將文件自動化分類，且社群分析時考量使用者相關性可有效提高文件推薦準確率。

In the area of knowledge economics, enterprises need innovation and learning ability to compete. Efficient knowledge sharing and management mechanism can help organizations to gain value and competitive advantages. Recently, Automatic document classification and personalized recommendation methods have been applied to knowledge management and sharing. Efficient recommendation based on knowledge preferences can speed up knowledge spread in organizations. This research proposes document classification and recommendation mechanisms for enterprise blog articles. Blog articles are classified based on the similarity of article profiles and category profiles. The proposed recommendation mechanisms cluster users into multi-communities based on users’ interests and personal attributes. Based on the multi-communities of users, four hybrid approaches which combine community-based approach, content-based filtering and collaborative filtering, are proposed to make article recommendations. Experimental evaluations are conducted to evaluate the effectiveness of the proposed approaches.