Page 93 - My FlipBook
P. 93
Brochure 2020
好，如：由注意力網路（Attention Networks）或圖神經網路（Graph Neural Networks）設計的喜好累加
器（Preference Aggregators）。為了得出多視角顯示下的消費者滿意度，我們提出一道新的最佳化問題，
其名為社群感知延伸實境群體商品配置（Social-aware XR Group-Item Con guration，SXGIC），以最大化
整體個人滿意度，同時確保 1) 消費者在不同位置上不會顯示重複商品；2) 同一商品的共用群體視角數控
制在一定程度內；3) 相似及（或）互補商品放在彼此附近；4) 在連續位置間的共用視角的群體分割是相
似的。我們將證明 SXGIC 問題的 NP-hard 及不可近似性，並提出一套整數規劃問題做為 SXGIC 的比較基
準。我們亦將利用線性鬆弛後的整數規劃問題的分數解設計隨機湊整（Randomized Rounding）策略，以
構造出最佳的多視角顯示配置。最後，我們將提出的方法引入一套以 Unity 建構並配備了 hTC VIVE HMD
及 Microsoft HoloLens 的延伸實境購物應用軟體原型來執行消費者個案研究，以驗證消費者實際滿意度與
我們提出的最佳化問題的相關性。
圖二：不同總人數時之整體個人滿意度。
圖三：不同資料集中之整體個人滿意度。 圖四：消費者個案研究之初步結果。
初步實驗結果顯示本計畫提出之隨機湊整策略（圖二及圖三中之 AVG 及 AVG-D）所構造之多視角顯示配
置相較其他現存推薦策略之總計滿意度至少高出 30%，並能有效在個人喜好（滿意度黑色部分）及群體
互動（白色部分）之間達成平衡。此外，使用 Unity 建構之初步消費者研究個案研究中，我們從消費者
回饋抽取最佳化問題中之重要參數（圖四 a），並依據此參數驗證實際使用者滿意度與最佳化模型相符（圖
四 b）。進一步分析隨機湊整策略所構造之多視角顯示配置，我們發現所有使用者在推薦結果中被分群
為緊密且喜好相近之次群體，導致次群體內部邊數遠高於跨群體邊數（圖四 c），而大多數好友能夠觀看
相同物品（圖四 d）。
第二年
上述的延伸實境推薦系統對商品顯示的配置是根據預先評估的個人喜好及社群影響力帶來的益處，並未
捕捉到重複且多方面的推銷活動中的社群影響力及消費者的動態認知間的相互影響（其稱為共同演化）。
現有的影響力最大化研究選出若干位消費者作為種子，以推銷單一目標商品使得最多消費者可受影響；
然而在現實生活中，公司企業經常在多個活動中推銷多樣相關商品。因此在本計劃的第二年中，我們將
強調有效量化及將電子商務中多個推銷活動的社群影響力及消費者的動態認知所帶來的益處最大化，其
面臨的新挑戰如下：1) 多數過往研究並未考慮推銷的商品間互補及替代的關係，其會經由經濟學中需求
交叉彈性的概念影響消費者的喜好；2) 對於商品間關係的認知通常都是主觀的；3) 由於新購買的商品通
常會給消費者帶來新體驗，使得他們改變對相關商品的認知，故對商品間的關係的主觀認知是動態的；4)
對商品間關係的主觀認知的改變可能會影響消費者的喜好，甚至改變對朋友的社群影響力。
91
好，如：由注意力網路（Attention Networks）或圖神經網路（Graph Neural Networks）設計的喜好累加
器（Preference Aggregators）。為了得出多視角顯示下的消費者滿意度，我們提出一道新的最佳化問題，
其名為社群感知延伸實境群體商品配置（Social-aware XR Group-Item Con guration，SXGIC），以最大化
整體個人滿意度，同時確保 1) 消費者在不同位置上不會顯示重複商品；2) 同一商品的共用群體視角數控
制在一定程度內；3) 相似及（或）互補商品放在彼此附近；4) 在連續位置間的共用視角的群體分割是相
似的。我們將證明 SXGIC 問題的 NP-hard 及不可近似性，並提出一套整數規劃問題做為 SXGIC 的比較基
準。我們亦將利用線性鬆弛後的整數規劃問題的分數解設計隨機湊整（Randomized Rounding）策略，以
構造出最佳的多視角顯示配置。最後，我們將提出的方法引入一套以 Unity 建構並配備了 hTC VIVE HMD
及 Microsoft HoloLens 的延伸實境購物應用軟體原型來執行消費者個案研究，以驗證消費者實際滿意度與
我們提出的最佳化問題的相關性。
圖二：不同總人數時之整體個人滿意度。
圖三：不同資料集中之整體個人滿意度。 圖四：消費者個案研究之初步結果。
初步實驗結果顯示本計畫提出之隨機湊整策略（圖二及圖三中之 AVG 及 AVG-D）所構造之多視角顯示配
置相較其他現存推薦策略之總計滿意度至少高出 30%，並能有效在個人喜好（滿意度黑色部分）及群體
互動（白色部分）之間達成平衡。此外，使用 Unity 建構之初步消費者研究個案研究中，我們從消費者
回饋抽取最佳化問題中之重要參數（圖四 a），並依據此參數驗證實際使用者滿意度與最佳化模型相符（圖
四 b）。進一步分析隨機湊整策略所構造之多視角顯示配置，我們發現所有使用者在推薦結果中被分群
為緊密且喜好相近之次群體，導致次群體內部邊數遠高於跨群體邊數（圖四 c），而大多數好友能夠觀看
相同物品（圖四 d）。
第二年
上述的延伸實境推薦系統對商品顯示的配置是根據預先評估的個人喜好及社群影響力帶來的益處，並未
捕捉到重複且多方面的推銷活動中的社群影響力及消費者的動態認知間的相互影響（其稱為共同演化）。
現有的影響力最大化研究選出若干位消費者作為種子，以推銷單一目標商品使得最多消費者可受影響；
然而在現實生活中，公司企業經常在多個活動中推銷多樣相關商品。因此在本計劃的第二年中，我們將
強調有效量化及將電子商務中多個推銷活動的社群影響力及消費者的動態認知所帶來的益處最大化，其
面臨的新挑戰如下：1) 多數過往研究並未考慮推銷的商品間互補及替代的關係，其會經由經濟學中需求
交叉彈性的概念影響消費者的喜好；2) 對於商品間關係的認知通常都是主觀的；3) 由於新購買的商品通
常會給消費者帶來新體驗，使得他們改變對相關商品的認知，故對商品間的關係的主觀認知是動態的；4)
對商品間關係的主觀認知的改變可能會影響消費者的喜好，甚至改變對朋友的社群影響力。
91
