開發延伸關聯運用之前的提問

要先了解延伸什麼？關聯什麼？延伸閱讀的意義何在？

• 是什麼原因促使站主想要建立資訊？
  
• 使用者來訪為的是什麼？
  
• 資訊為什麼要用網路來發佈或取得？
  
• 資訊與資訊之間怎樣自動產生關係？用什麼方式讓他們自己自然地連在一起？
  

開發目的

尋求同時能服務網站站主、網站讀者雙方面的需求。

• 留住讀者，創造較高的點閱率，讓網站建立資訊者的辛苦有價值。
  
• 焦點集中，當閱眾找到某個網頁時，應該對該文有興趣，讓閱眾願意留下來多瀏覽幾頁。
  
• 自動找出內容接近的相關文章，並根據比對關鍵字的異同，進行近似度分析的量化排序，方便延伸閱讀。
  
• 把閱讀網站資訊的過程模擬成旅遊，標籤(Tags)成為使用者的休息站。出發時，使用者的動線是自由的自主的，享受旅行過程中隨處可得的樂趣。
  

使用 Tags 已研發的技術

運用 Fuzzy 理論的近似推理(Approximation reasoning)，根據自動資訊探勘的結果，處理資訊內容的模糊集合、模糊關係、模糊邏輯、模糊控制、模糊量測。

• Tags Explorer 搜尋標籤訊息列：關鍵字、符合文件數
  
• Refferenced Tags' List of the Headline and Content (ref_tag_hc) 表：文件序號(document_id), 標題關鍵字(idtimesrn_h), 本文關鍵字(idtimesrn_c)
  
• 文件近似度量測理論：
  
  關鍵詞權重
  
  • 相同度量化分析： 有相同的 Tags [關鍵字a(1/符合文件數)+關鍵字b(1/符合文件數)+...+關鍵字n(1/符合文件數)] )
    
  • 差異度量化分析： 不同的 Tags [關鍵字a(1/符合文件數)+關鍵字b(1/符合文件數)+...+關鍵字n(1/符合文件數)] )
  
  
• 資料完整性：
  相同度量化=相同度量化分析 * (相同關鍵字數/總關鍵字數) * 10000
  差異度量化=差異度量化分析 * (不同關鍵字數/總關鍵字數) * 1000
  
• 近似度分析與排序：相同度量化-差異度量化
  

延伸關聯的自動化

把繁複的比對與計算交給程式，由它自動化處理。

• 當顯示 Tags Explorer 時，產生 ref_tag_hc list，檢查該資料的 Tags List 是否存在 或 是否需要更新。
  
• 可跨區的授權資料範圍(考量智慧財產權與資訊隱私的因素)，以備跨區的資訊探勘。
  
• 設立近似度比對記分公式，依此比對 ref_tag_hc 資料，並做分類與排序。
  
• 定義輸出條件、數量限制、輸出區塊，以顯示延伸閱讀或關聯文件的標題。
  

延伸閱讀程式設計

本程式「延伸閱讀」從理論到開發完成，因為之前已經累積很多的核心技術，因此只需三天便達成。
實際功能目前正在執行與測試改良中。
延伸閱讀註解說明：

• 比對：比對這個字下面有個數字，它代表可供比對資料的探勘次數，精確度會隨比對數字變大而提高。
  
• 延伸閱讀標題括號內的數字：表示經過自動比對後的近似強度。
  
• 滑鼠移到延伸閱讀標題時，顯示的註解：提示該文與本文相關聯的相同點(Tags)與其(數量)。
  
• 跨區比對：會有代號在前，例如 ab999: xxx。