第 2 章 研究動機

   從古至今知識一直是人類持續進步的力量來源，以經濟學的角度來說資訊的流通及人的決策行為模式相關性極高，並且在現今社會中人與人之間資訊的對稱性則極為重要，如擁有較多資訊的那一方往往在協商交易時，因資訊的不對稱性而佔據談判優勢，因此如何增進自身的知識，去圖書館是許多方法中最直接的來源之一。除此外圖書館在歷史中扮演著促使社會進步與學習的基石，若圖書館的資源能更有效率的被用戶所使用，則不僅能提升用戶教育水準，也能為社會帶來貢獻，因此如何有效率的增進自身的資訊量是人類為了持續進步以來不斷探討的問題。

   為了更加有效率的整合資源，以往圖書館中對於書籍分類與書店中對於書籍的分類法存在許多差異，其中圖書館對於書籍分類法其目的是為了使用戶能夠查詢方便，而書店對於書籍的分類方法則是商業行銷考量，希望能吸引更多的讀者，不論是何種分類方法都不外乎是希望能更有效率的吸引用戶來使用該書籍。因此在讀者對於收尋特定領域書籍時，若建立良好的書籍推薦系統則可使讀者更容易接觸到該領域書籍中相關讀者需求度最高的書籍，並對該用戶的行為及興趣進行分析並在之後給予其他相關類型的推薦書籍，以達成提高用戶更多該領域的知識。

   如何建立一個強大的書籍推薦系統，從參考現今網路上許多不同的電影推薦系統以及商品推薦系統開始，了解許多競賽則開始找尋各種最有效率的推薦系統演算法，如Netflix Prize 使得研究推薦系統的普及化。其中發現[1]來自新加坡大學的何向南博士論文中所使用的方法不僅能解決以往矩陣分解(Matrix Factorization)方法在非線性模型中預測率較低的情況，也能夠更加的將潛在隱藏資訊中找出其關聯性，並形成強力的推薦系統。因此本論文藉由觀察台北大學圖書館借閱資料以及合併神經矩陣分解 (Neural matrix factorization model) 演算法來建立對用戶個人化的推薦系統，希望能從90學年到106學年間學生在圖書觀的借閱資料中學習其相關性，並判斷個體用戶在借閱書籍後可能延伸的興趣，以及推薦更多圖書館內的相關書籍給使用者。藉此吸引學生用戶來借閱更多館藏內的書籍，並提升圖書館資源之使用效率以及學生知識方面的競爭力。