TWI630571B

TWI630571B - 文章推薦方法及電腦可讀取媒體

Info

Publication number: TWI630571B
Application number: TW104113943A
Authority: TW
Inventors: 陳志鴻; 陳韋銘; 楊鈞百; 王彥凱; 施學麟; 盧昱辰; 林廷韋; 梁安群; 黃彥樺; 陳勁宏
Original assignee: 一零四資訊科技股份有限公司
Priority date: 2015-04-30
Filing date: 2015-04-30
Publication date: 2018-07-21
Also published as: TW201638860A

Abstract

文章推薦方法，係用以推薦一文章。首先建置一影響力網路，此影響力網路具有複數個主節點和複數個子節點，每一子節點具有分別受主節點影響的不同機率值。接著根據不同機率值計算此些主節點的影響力分數，並將其中影響力分數最高的主節點設為第一主節點。接著重建該影響力網路，來排除第一主節點對其他主節點和子節點的影響力，並計算在排除第一主節點後其餘主節點的影響力分數，將其中影響力分數最高的主節點設為第二主節點。第一主節點以及該第二主節點為推薦該文章的對象。

Description

文章推薦方法及電腦可讀取媒體

本發明是有關於一種推薦方法，且特別是有關於一種文章推薦方法。

在訊息傳遞過程中，有一些人比起其他的人更容易將這個訊息廣泛傳播出去，甚至造成流行。這種人被稱為「具有影響力」的人。

傳統上，廣告推薦系統便是藉由將試用品或贈品發送給這些具有影響力的人進行試用，並將試用結果或產品推薦訊息傳遞出去，來節省訊息散播的成本。於是，要如何最大化這種傳播效應，也就是要如何有效確認誰是最有影響力的人，便成了有效進行訊息散播最關鍵的問題。

本發明內容之一技術態樣是在提供一種文章推薦方法，係用以推薦一文章，包含下列步驟：建置一影響力網路，該影響力網路具有複數個主節點和複數個子節點，每一子節點具有分別受該些主節點影響的不同機率值；根據該些不同機率值，分別計算該些主節點的影響力分數；紀錄該些主節點中影響力分數最高的主節點，作為第一主節點；重建該影響力網路，更包括：於該影響力網路中排除該第一主節點對其他主節點和該些子節點的影響力，其中每一子節點具有在排除該第一主節點後，分別受其他主節點影響的不同新機率值；根據該些不同新機率值，分別計算在排除該第一主節點後其餘主節點的影響力分數；以及紀錄該第一主節點外其餘主節點中影響力分數最高的主節點，作為一第二主節點；其中該第一主節點以及該第二主節點為推薦該文章的對象。

綜上所述，本發明之技術方案與現有技術相比具有明顯的優點和有益效果。藉由上述技術方案可在一影響力網路中搜尋出具有最大影響力的使用者，以其為對象進行文章發送，並可同時避免受限於「活躍團體」，因此可最大化廣告效益。

以下將以實施方式對上述之說明作詳細的描述，並對本發明之技術方案提供更進一步的解釋。

100和600‧‧‧文章推薦方法

200‧‧‧影響力網路

101-105,601-605‧‧‧步驟

A,B,C‧‧‧主節點

D,E,F,G,H,I,J,K,L,M,N,O‧‧‧子節點

為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖所示為根據本發明一實施例文章推薦方法的流程圖。

第2圖所示為根據本發明一實施例所建置的影響力網路概略圖。

第3A圖所示為主節點A所對應的影響路徑圖。

第3B圖所示為主節點B所對應的影響路徑圖。

第3C圖所示為主節點C所對應的影響路徑圖。

第4A圖所示為以A為主節點時，各階層節點收到推薦文章的機率分佈圖。

第4B圖所示為以B為主節點時，各階層節點收到推薦文章的機率分佈圖。

第4C圖所示為以C為主節點時，各階層節點收到推薦文章的機率分佈圖。

第5A所示為排除主節點A後，以B為主節點時，各階層節點收到推薦文章的機率分佈圖。

第5B所示為排除主節點A後，以C為主節點時，各階層節點收到推薦文章的機率分佈圖。

第6圖所示為根據本發明另一實施例文章推薦方法的流程圖。

第7A圖所示為以A為主節點時，各階層節點收到推薦文章的機率和相關深度分佈圖。

第7B圖所示為以B為主節點時，各階層節點收到推薦文章的機率和相關深度分佈圖。

第7C圖所示為以C為主節點時，各階層節點收到推薦文章的機率和相關深度分佈圖。

第8圖所示為排除主節點A後，以B為主節點時，各階層節點收到推薦文章的機率和相關深度分佈圖。

為了使本發明內容之敘述更加詳盡與完備，可參照所附之圖式及以下所述各種實施例，圖式中相同之號碼代表相同或相似之元件。但所提供之實施例並非用以限制本發明所涵蓋的範圍，而結構運作之描述非用以限制其執行之順序，任何由元件重新組合之結構，所產生具有均等功效的裝置，皆為本發明所涵蓋的範圍。

其中圖式僅以說明為目的，並未依照原尺寸作圖。另一方面，眾所週知的元件與步驟並未描述於實施例中，以避免對本發明造成不必要的限制。

本發明文章推薦方法藉由先於人際網路中搜尋出影響力最大的使用者，並將文章發送給該使用者，利用該使用者的影響力，擴大文章影響力，同時利用該使用者的人際網路，進行文章發送和推薦，進而降低發送成本，並最大化傳播效益。

第1圖所示為根據本發明一實施例文章推薦方法的流程圖。此文章推薦方法100可實作為一電腦程式，並儲存於一電腦可讀取記錄媒體中，而使一電腦或一電子裝置可讀取此記錄媒體後執行於虛擬桌面播放多媒體之方法。電腦可讀取記錄媒體可為唯讀記憶體、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悉此技藝者可輕易思及具有相同功能之電腦可讀取記錄媒體。

此文章推薦方法100，首先於步驟101建置一影響力網路。在一人際網路中，當一使用者向另一個使用者發出任一種互動，即可根據該種互動的重要程度在他們之間建立一個指向性的機率連結。第二次的互動則會產生另一個指向性的機率連結，依此而建立一影響力網路。在一實施例中，可根據社群網站，如臉書(facebook)，的人際網路來建置此影響力網路。第2圖所示為根據本發明一實施例所建置的影響力網路概略圖，在此實施例中，影響力網路200包括多個節點，每一節點可代表一使用者，一節點和其他節點間的連接關係則可代表該節點的人際脈絡和其影響力。

接著，請同時參閱第1圖和第2圖，當此影響力網路200建置完成後，可於步驟102，計算該影響力網路中各主要節點的影響廣度分數，並於步驟103中，根據計算出的主節點影響廣度分數，選出其中影響廣度分數最大的主節點，做為具有最大影響廣度的節點，並紀錄於節點選取名單中，作為文章的發送對象。在此影響力網路200中，跟據此些節點各自的連接關係，受節點A,B,C影響的節點最多，因此可選擇節點A,B,C作為此影響力網路200中主要的節點，並依此計算主節點A,B,C的影響廣度分數，然不以此為限，亦可針對每一節點進行影響廣度分數計算。其中，第3A圖所示為主節點A所對應的影響路徑圖。第3B圖所示為主節點B所對應的影響路徑圖。第3C圖所示為主節點C所對應的影響路徑圖。其中與該主節點直接耦接的子節點為第一階層節點，與第一階層節點耦接的子節點則為第二階層節點，依此類推。在一實施例中，當主節點接收到一文章時，此主節點有一半，亦即50%，的機率將所接收到的文章再推薦給第一階層的節點，因此第一階層節點收到此文章的機率為50%。而第一階層節點亦有50%的機率將所接收到的文章推薦給第二階層節點，因此第二階層節點收到此文章的機率為25%。第二階層節點亦有50%的機率將所接收到的文章推薦給第三階層節點，因此第三階層節點收到此文章的機率為12.5%，依此類推，而可計算出各階層節點收到推薦文章的機率。其中，第4A圖所示為以A為主節點時，各階層節點收到推薦文章的機率分佈圖，依此加總各各階層節點收到推薦文章的機率，可得到該文章從主節點A擴散到各階層節點的影響廣度分數為6.218755。第4B圖所示為以B為主節點時，各階層節點收到推薦文章的機率分佈圖，依此加總各各階層節點收到推薦文章的機率，可得到該文章從主節點B擴散到各階層節點的影響廣度分數為4.8125。第4C圖所示為以C為主節點時，各階層節點收到推薦文章的機率分佈圖，依此加總各各階層節點收到推薦文章的機率，可得到該文章從主節點C擴散到各階層節點的影響廣度分數為5.1171875。在此三主節點中，以主節點A的影響廣度分數最高，因此於步驟103，選出主節點A為具有最大影響廣度的節點，並紀錄於節點選取名單中，作為文章的發送對象。

然而，在社群網路中有所謂的「活躍團體」，在「活躍團體」裡各項資訊交流速度很快，也就是，在「活躍團體」中各節點接收到的訊息會很快在散佈出去，致使具高影響廣度分數的節點常常出現在此些「活躍團體」中，若單純選擇此「活躍團體」中的節點，將造成依此散佈出的資訊被限制在此固定團體中，很難把訊息再傳遞到這個團體以外的地方。因此為避免受限於「活躍團體」，於步驟104，會再次根據所選擇出的主節點A重建一影響力網路，並於此重建影響力網路中，再次選擇具有最大影響廣度的節點，並紀錄於節點選取名單中，作為文章的發送對象作為文章發送對象。

在此重建影響力網路步驟中，首先於步驟1041，計算其他節點在排除此選擇出主節點後受其他主節點影響的機率。接著，於步驟1042中，根據各節點機率計算重建後影響力網路中各主要節點的影響廣度分數，並於步驟1043中，根據計算出的主節點影響廣度分數，選出其中影響廣度分數最高的主節點，做為此重建後影響力網路中具有最大影響廣度的節點，並紀錄於節點選取名單中。為避免受限於「活躍團體」，因此本案在重建影響力網路時，會先排除主節點A對各子節點的影響，然後在據此計算子節點，僅受主節點B或主節點C影響的機率，並據以計算出主節點B和主節點C的廣度分數。

第5A所示為排除主節點A後，以B為主節點時，各階層節點收到推薦文章的機率分佈圖。其中區域501處的子節點，僅和主節點A耦接，亦即僅受主節點A所影響，由於主節點A被排除，因此區域501處的子節點收到推薦文章的機率為零。而根據第4A圖，主節點B收到主節點A推薦文章的機率為25%，因此，在排除主節點A後，收到非主節點A推薦文章的機率為75%。子節點D，會同時收到主節點A和主節點B推薦文章，而根據第4A圖，子節點D收到主節點A推薦文章的機率為50%，因此在排除主節點A後，收到非主節點A推薦文章的機率為50%，而主節點B有50%的機率將所接收到的文章再推薦給子節點D，因此子節點D收到推薦文章的機率為50%*50%=25%。而子節點H僅收到子節點D推薦的文章，而子節點D有50%的機率將所接收到的文章再推薦給子節點H，因此子節點H收到推薦文章的機率為25%*50%=12.5%。此外，子節點E,F,G僅收到主節點B推薦的文章，而主節點B有50%的機率將所接收到的文章再推薦給子節點E,F,G，因此子節點E,F,G收到推薦文章的機率為75%*50%=37.5%，其餘子節點收到推薦文章的機率可依此類推。再各節點收到推薦文章的機率被建立後，即可依此加總各節點收到推薦文章的機率，而得到排除主節點後，該文章從主節點B擴散到各節點的影響廣度分數為2.53125。

另一方面，第51B所示為排除主節點A後，以C為主節點時，各階層節點收到推薦文章的機率分佈圖。其中區域502處的節點，僅和主節點A耦接，亦即僅受主節點A所影響，由於主節點A被排除，因此區域502處的子節點收到推薦文章的機率為零。而根據第4A圖，主節點C收到主節點A推薦文章的機率為25%，因此，在排除主節點A後，收到非主節點A推薦文章的機率為75%。子節點I,J,K,L,M,N,O根據第4A圖會同時收到主節點A和主節點C推薦文章，子節點I,J,K,L,M,N,O收到主節點A推薦文章的機率為50%，因此在排除主節點A後，收到非主節點A推薦文章的機率為50%，而主節點C有50%的機率將所接收到的文章再推薦給子節點I,J,K,L,M,N,O，因此子節點I,J,K,L,M,N,O收到推薦文章的機率為50%*50%=25%。再各節點收到推薦文章的機率被建立後，即可依此加總各節點收到推薦文章的機率，而得到排除主節點後，該文章從主節點C擴散到各節點的影響廣度分數為2.5。因此於步驟1043選出主節點B為此重建後影響力網路中具有最大影響廣度的節點，並紀錄於節點選取名單中，作為文章的發送對象。

然後於步驟105，判斷節點選取名單中所選取節點的數目是否達到設定的數目，若已達到此條件，則終止節點選取，並根據所選取節點，進行文章發送，否則重新執行步驟104，重建影響力網路，排除此選擇出主節點對此影響力網路影響。而在另一實施例中，亦可判斷節點選取名單中所選取節點可影響的節點數，是否已覆蓋欲影響節點的一定比例，若已達到此條件，則終止節點選取，並根據所選取節點，進行文章發送。而再在一實施例中，亦可同時判斷上述兩種條件，只要達到其中一條件，則終止節點選取，並根據所選取節點，進行文章發送。

本發明除了對影響廣度進行評估外，在另一實施例中，更會對影響深度進行評估。第6圖所示為根據本發明另一實施例文章推薦方法的流程圖。其中此流程和第1圖類似，同樣的，此文章推薦方法600可實作為一電腦程式，並儲存於一電腦可讀取記錄媒體中，而使一電腦或一電子裝置可讀取此記錄媒體後執行於虛擬桌面播放多媒體之方法。電腦可讀取記錄媒體可為唯讀記憶體、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悉此技藝者可輕易思及具有相同功能之電腦可讀取記錄媒體。

此文章推薦方法600，首先於步驟601建置一如第2圖所示的影響力網路概略圖。在一實施例中，可根據社群網站，如臉書(facebook)，的人際網路來建置此影響力網路。其中，影響力網路200包括多個節點，每一節點可代表一使用者，一節點和其他節點間的連接關係則可代表該節點的人際脈絡和其影響力。

接著，當此影響力網路200建置完成後，可於步驟602，計算該影響力網路中各主要節點的影響深度分數，並於步驟603中，根據計算出的主節點影響深度分數，選出其中影響深度分數最大的主節點，做為具有最大影響深度的節點，並紀錄於節點選取名單中，作為文章的發送對象。在此影響力網路200中，如前所述節點A,B,C為此影響力網路200中主要的節點。第3A圖所示為主節點A所對應的影響路徑圖。第3B圖所示為主節點B所對應的影響路徑圖。第3C圖所示為主節點C所對應的影響路徑圖。其中，當主節點接收到一文章時，此主節點有一半，亦即50%，的機率將所接收到的文章再推薦給第一階層節點，因此第一階層節點收到此文章的機率為50%。此外，對主節點而言，將文章推薦給下一層子節點，亦即第一階層節點，代表主節點具有深度影響，因此可加權此深度影響力，則對應機率為50%*2。另一方面，第一階層節點亦有50%的機率將所接收到的文章推薦給第二階層節點，因此第二階層節點收到此文章的機率為25%。對主節點而言將文章推薦給第二階層節點，再加權此深度影響力後的對應機率分數為25%*3。第二階層節點亦有50%的機率將所接收到的文章推薦給第三階層節點，因此第三階層節點收到此文章的機率為12.5%。對主節點而言將文章推薦給第三階層節點，再加權此深度影響力後的的對應機率分數為12.5%*4。其中，第7A圖所示為以A為主節點時，各階層節點收到推薦文章的機率和相關深度分佈圖。第7B圖所示為以B為主節點時，各階層節點收到推薦文章的機率和相關深度分佈圖。第7C圖所示為以C為主節點時，各階層節點收到推薦文章的機率和相關深度分佈圖。接著可計算各節點深度影響力分數。在一實施例中，是以下式計算對應主節點的各階層節點的深度機率：深度機率=機率(n)*(1.0-乘積(1.0-深度分布(u)/機率(n)))，其中u為n的分支。

以第7B圖為例，主節點的深度機率為0，第一階層節點機率對應主節點時的深度機率為0.0625，第二階層節點機率對應主節點時的深度機率為0.40625，第三階層節點機率對應主節點時的深度機率為0.189209，第四階層節點機率對應主節點時的深度機率為0.279541，第五階層節點機率對應主節點時的深度機率為0.0625，因此若考慮深度期望值，此時，主節點B的深度期望值，亦即深度分數為：深度期望值(深度分數)=深度(d)*深度機率其中d為深度，n為最深深度。因此深度期望值為(1*0.0625)+(2*0.40625)+(3*0.189209)+(4*0.279541)+(5*0.0625)=2.873291

若在此步驟中所選出影響力深度分數最高節點為A，同樣的，為避免受限於「活躍團體」，於步驟604，會再次根據所選擇出的主節點A重建一影響力網路，並於此重建影響力網路中，再次選擇具有最大影響深度的節點，並紀錄於節點選取名單中，作為文章的發送對象作為文章發送對象。

在此重建影響力網路步驟中，首先於步驟6041，計算其他節點在排除此選擇出主節點後受其他主節點影響的機率。接著，於步驟6042中，根據各節點機率計算重建後影響力網路中各主要節點的影響深度分數，並於步驟6043中，根據計算出的主節點影響深度分數，選出其中影響深度分數最高的主節點，做為此重建後影響力網路中具有最大影響深度的節點，並紀錄於節點選取名單中。同樣得以第7B圖為例，為避免受限於「活躍團體」，因此本案在重建影響力網路時，會先排除主節點A對各節點的影響，然後在據此計算節點，僅受主節點B影響的機率，並據以計算出主節點B的深度分數。

第8圖所示為排除主節點A後，以B為主節點時，各階層節點收到推薦文章的機率和相關深度分佈圖。其中區域801處的節點，僅和主節點A耦接，亦即僅受主節點A所影響，由於主節點A被排除，因此區域801處的節點收到推薦文章的機率為零。而根據第8圖，主節點B收到主節點A推薦文章的機率為25%，因此，在排除主節點A後，收到非主節點A推薦文章的機率為75%。主節點B的第一階層節點D，會同時收到主節點A和主節點B推薦文章，而根據第8圖，節點D收到主節點A推薦文章的機率為50%，因此在排除主節點A後，收到非主節點A推薦文章的機率為50%，而主節點B有50%的機率將所接收到的文章再推薦給第一階層節點D，因此節點D收到主節點B推薦文章的機率為50%*50%=25%，此外，對主節點B而言，將文章推薦給第一階層節點D，代表主節點B具有深度影響，因此可加權此深度影響力，則對應機率為25%*2。而節點H為第二階層節點，僅收到節點D推薦的文章，而節點D有50%的機率將所接收到的文章再推薦給節點H，因此節點H收到推薦文章的機率為25%*50%=12.5%。再加權主節點B深度影響力，則對應機率為12.5%*3。此外，節點E,F,G為第一階層節點，僅收到主節點B推薦的文章，而主節點B有50%的機率將所接收到的文章再推薦給節點E,F,G，因此節點E,F,G收到主節點B推薦文章的機率為75%*50%=37.5%，再加權主節點B深度影響力，則對應機率為37.5%*2。其餘節點收到推薦文章的機率可依此類推。當各節點收到推薦文章並加權深度影響力的機率被建立後，即可根據下式計算各階層節點機率對應主節點B的深度機率：深度機率(n)=機率(n)*(1.0-乘積(1.0-深度分布(u)/機率(n)))，其中u為n的分支。

以第8圖為例，主節點的深度機率為0.25，第一階層節點機率對應主節點時的深度機率為0.0625，第二階層節點機率對應主節點時的深度機率為0.40625，第三階層節點機率對應主節點時的深度機率為0.1875，第四階層節點機率對應主節點時的深度機率為0.09375，因此若考慮深度期望值，此時，主節點B的深度期望值，亦即深度分數為，(1*0.0625)+(2*0.40625)+(3*0.1875)+(4*0.09375)=1.8125。若主節點B具有最大影響深度分數，則於步驟6043選出主節點B為此重建後影響力網路中具有最大影響深度的節點，並紀錄於節點選取名單中，作為文章的發送對象。

然後於步驟605，判斷節點選取名單中所選取節點的數目是否達到設定的數目，若已達到此條件，則終止節點選取，並根據所選取節點，進行文章發送，否則重新執行步驟604，重建影響力網路，排除此選擇出主節點對此影響力網路影響。而在另一實施例中，亦可判斷節點選取名單中所選取節點可影響的節點數，是否已覆蓋欲影響節點的一定比例，若已達到此條件，則終止節點選取，並根據所選取節點，進行文章發送。而再在一實施例中，亦可同時判斷上述兩種條件，只要達到其中一條件，則終止節點選取，並根據所選取節點，進行文章發送。

依此，藉由本發明之方法，可在一影響力網路中搜尋出具有最大影響力的使用者，以其為對象進行文章發送，並可同時避免受限於「活躍團體」，因此可最大化廣告效益。

雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何所屬領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

Claims

一種文章推薦方法，係用以推薦一文章，包含下列步驟：建置一影響力網路，該影響力網路具有複數個主節點和複數個子節點，每一子節點具有分別受該些主節點影響的不同機率值；根據該些不同機率值，分別計算該些主節點的影響力分數；紀錄該些主節點中影響力分數最高的主節點，作為第一主節點；重建該影響力網路，更包括：於該影響力網路中排除該第一主節點對其他主節點和該些子節點的影響力，其中每一子節點具有在排除該第一主節點後，分別受其他主節點影響的不同新機率值；根據該些不同新機率值，分別計算在排除該第一主節點後其餘主節點的影響力分數；以及紀錄該第一主節點外其餘主節點中影響力分數最高的主節點，作為一第二主節點；以及根據該第一主節點以及該第二主節點進行該文章的發送。
如請求項1所述之文章推薦方法，更包括：判斷該紀錄的主節點數目是否已達到一設定值；當所紀錄的主節點數目達到該設定值後，傳送該文章給該些紀錄的主節點；以及當所紀錄的主節點數目未達到該設定值，根據紀錄的主節點重建該影響力網路。
如請求項1所述之文章推薦方法，更包括：判斷受該紀錄主節點影響的子節點數是否已達到一設定比例；當受該紀錄主節點影響的子節點數已達到該設定比例後，傳送該文章給該些紀錄的主節點；以及當受該紀錄主節點影響的子節點數未達到該設定比例，根據紀錄的主節點重建該影響力網路。
如請求項1所述之文章推薦方法，其中該影響力分數為一影響力廣度分數。
如請求項4所述之文章推薦方法，根據該些不同機率值，分別計算該些主節點的該影響力廣度分數更包括：加總每一子節點的機率值，作為對應主節點的該影響力廣度分數。
如請求項1所述之文章推薦方法，其中該影響力分數為一影響力深度分數。
如請求項6所述之文章推薦方法，其中該些機率值為加權子節點深度後的機率值。
如請求項6所述之文章推薦方法，根據該影響力深度分數為：其中d為深度，n為該影響力網路最深深度。
如請求項1所述之文章推薦方法，其中建置一影響力網路，係透過一社群網站的人際網路進行建置。
一種電腦可讀取紀錄媒體，儲存一電腦程式，用以執行一種文章推薦方法，係用以推薦一文章，該方法包含：建置一影響力網路，該影響力網路具有複數個主節點和複數個子節點，每一子節點具有分別受該些主節點影響的不同機率值；根據該些不同機率值，分別計算該些主節點的影響力分數；紀錄該些主節點中影響力分數最高的主節點，作為第一主節點；重建該影響力網路，更包括：於該影響力網路中排除該第一主節點對其他主節點和該些子節點的影響力，其中每一子節點具有在排除該第一主節點後，分別受其他主節點影響的不同新機率值；根據該些不同新機率值，分別計算在排除該第一主節點後其餘主節點的影響力分數；以及紀錄該第一主節點外其餘主節點中影響力分數最高的主節點，作為一第二主節點；以及根據該第一主節點以及該第二主節點進行該文章的發送。