Page 118 - My FlipBook
P. 118
八
實驗
室
資料探勘與機器學習實驗室
Research Laboratories 研究人員 在此資料爆炸的時代，各類型的資料 ( 如：感測器、軌跡、交易、多媒體、社群網路、網
頁瀏覽紀錄等 ) 正以越來越快的速度產生。隨著硬體與網路豐富及低成本的特性，探究所
楊得年 / 召集人 有運用這些資料的方法以增進現有應用，或是探討新技術解決難題的時機從未比現在更
佳。資料探勘與機器學習實驗室組成的主要目標，就是開啟創新研究，並發展下列卓越之
研究員 技術：(1) 有效收集、表示、儲存、處理與分析巨量資料；(2) 探究資料探勘技術以快速且
有效地發現各式各樣資料中有價值的知識。目前本團隊的研究聚焦於下列領域：一、機器
張原豪 學習於網路廣告即時競價；二、社群網路分析與查詢處理；三、寫入受限記憶體與儲存裝
置之高效資料管理系統；四、複合式類神經網路：理論與 PM2.5 預測的應用。在這些研究
研究員 領域中，我們正進行下列研究：
陳孟彰
研究員
葉彌妍
研究員
廖弘源
特聘研究員
一、機器學習於網路廣告即時競價
網路展示型廣告已由過去固定內容固定價位的銷售方式，演變成為現在根據不同瀏覽
人次由競價結果動態決定內容：在使用者造訪網址且網頁完整呈現的短時間內，有興
趣的廣告主們透過程式化交易競標爭取廣告曝光。在即時競價交易環境中，廣告主要
能快速且精準地跨媒體購買廣告，必需仰賴好的預測模型自動出價。本實驗室目標協
助廣告主在有限且不完整的歷史競價資料中，設計出合適的機器學習方法，以建立有
效的預測模型來精準地預測廣告點擊率，進而能在有限的廣告成本下決定適切的出價
策略。
二、社群網路分析與查詢處理
在新興的平台（如：Facebook Live 與 Twitch）中，直播串流的普及已促使新的影片內
容與社群團體的急速增長，除了讓使用者得以即時開設各種主題（如：新聞、運動與
競賽）的串流頻道外，直播中最重要的兩項特徵有 (1) 多重串流：觀眾可同時觀看活
動實況的多個串流與 (2) 即時的社群互動：觀眾可彼此聊天互動，也可和直播主聊天，
或贈送虛擬禮物。然而，現有選擇直播頻道的方法仍聚焦於滿足使用者個人喜好，並
未考慮供應觀眾間的即時社群互動以及提供多樣化的直播頻道內容。故我們設計一
套「社群感知多樣化喜好直播頻道查詢（SDSQ）」，其同時選出一組多樣化且受歡迎
的直播頻道及一群彼此間社群關係緊密的觀眾。我們證明 SDSQ 為 NP-hard，且在任意
比例內不可近似，並設計一套 2 倍近似演算法 SDSSel，可保證其誤差上限。在 Twitch
上的使用者個案研究驗證了 SDSQ 的必要性及 SDSSel 的實用性。社群網路的普及度急
遽上升卻造成了不當使用，日益增加的社群網路精神障礙（如：網路關係成癮、資訊
過量負荷與強迫上網行為等）已在近期受到關注。這些精神障礙的症狀通常是被動地
被發現的，這使得臨床介入治療的時機常被延誤，因此，探勘線上網路行為可提供及
早並主動探測到社群網路精神障礙的機會。而探測社群網路精神障礙是具挑戰性的，
因為從線上社群活動記錄並無法直接觀察到使用者的心理狀態。我們提出一套機器學
習的框架──社群網路精神障礙探測（SNMDD）以及新的張量模型（STM），以協助
心理治療專家及早減緩社群網站成癮患者的症狀。我們提出一套動態貼文抽換與輔助
系統（N3S）的新框架，以動態貼文過濾及傳遞的方式作為社群網站成癮治療的輔助，
其包括成癮程度模型（ADM）以測量動態貼文對不同使用者的成癮程度，以及一個新
的最佳化問題，以在不犧牲使用者喜好的情況下，將行為治療的效果最大化。我們亦
116
實驗
室
資料探勘與機器學習實驗室
Research Laboratories 研究人員 在此資料爆炸的時代，各類型的資料 ( 如：感測器、軌跡、交易、多媒體、社群網路、網
頁瀏覽紀錄等 ) 正以越來越快的速度產生。隨著硬體與網路豐富及低成本的特性，探究所
楊得年 / 召集人 有運用這些資料的方法以增進現有應用，或是探討新技術解決難題的時機從未比現在更
佳。資料探勘與機器學習實驗室組成的主要目標，就是開啟創新研究，並發展下列卓越之
研究員 技術：(1) 有效收集、表示、儲存、處理與分析巨量資料；(2) 探究資料探勘技術以快速且
有效地發現各式各樣資料中有價值的知識。目前本團隊的研究聚焦於下列領域：一、機器
張原豪 學習於網路廣告即時競價；二、社群網路分析與查詢處理；三、寫入受限記憶體與儲存裝
置之高效資料管理系統；四、複合式類神經網路：理論與 PM2.5 預測的應用。在這些研究
研究員 領域中，我們正進行下列研究：
陳孟彰
研究員
葉彌妍
研究員
廖弘源
特聘研究員
一、機器學習於網路廣告即時競價
網路展示型廣告已由過去固定內容固定價位的銷售方式，演變成為現在根據不同瀏覽
人次由競價結果動態決定內容：在使用者造訪網址且網頁完整呈現的短時間內，有興
趣的廣告主們透過程式化交易競標爭取廣告曝光。在即時競價交易環境中，廣告主要
能快速且精準地跨媒體購買廣告，必需仰賴好的預測模型自動出價。本實驗室目標協
助廣告主在有限且不完整的歷史競價資料中，設計出合適的機器學習方法，以建立有
效的預測模型來精準地預測廣告點擊率，進而能在有限的廣告成本下決定適切的出價
策略。
二、社群網路分析與查詢處理
在新興的平台（如：Facebook Live 與 Twitch）中，直播串流的普及已促使新的影片內
容與社群團體的急速增長，除了讓使用者得以即時開設各種主題（如：新聞、運動與
競賽）的串流頻道外，直播中最重要的兩項特徵有 (1) 多重串流：觀眾可同時觀看活
動實況的多個串流與 (2) 即時的社群互動：觀眾可彼此聊天互動，也可和直播主聊天，
或贈送虛擬禮物。然而，現有選擇直播頻道的方法仍聚焦於滿足使用者個人喜好，並
未考慮供應觀眾間的即時社群互動以及提供多樣化的直播頻道內容。故我們設計一
套「社群感知多樣化喜好直播頻道查詢（SDSQ）」，其同時選出一組多樣化且受歡迎
的直播頻道及一群彼此間社群關係緊密的觀眾。我們證明 SDSQ 為 NP-hard，且在任意
比例內不可近似，並設計一套 2 倍近似演算法 SDSSel，可保證其誤差上限。在 Twitch
上的使用者個案研究驗證了 SDSQ 的必要性及 SDSSel 的實用性。社群網路的普及度急
遽上升卻造成了不當使用，日益增加的社群網路精神障礙（如：網路關係成癮、資訊
過量負荷與強迫上網行為等）已在近期受到關注。這些精神障礙的症狀通常是被動地
被發現的，這使得臨床介入治療的時機常被延誤，因此，探勘線上網路行為可提供及
早並主動探測到社群網路精神障礙的機會。而探測社群網路精神障礙是具挑戰性的，
因為從線上社群活動記錄並無法直接觀察到使用者的心理狀態。我們提出一套機器學
習的框架──社群網路精神障礙探測（SNMDD）以及新的張量模型（STM），以協助
心理治療專家及早減緩社群網站成癮患者的症狀。我們提出一套動態貼文抽換與輔助
系統（N3S）的新框架，以動態貼文過濾及傳遞的方式作為社群網站成癮治療的輔助，
其包括成癮程度模型（ADM）以測量動態貼文對不同使用者的成癮程度，以及一個新
的最佳化問題，以在不犧牲使用者喜好的情況下，將行為治療的效果最大化。我們亦
116
