Page 94 - My FlipBook
P. 94
Collaborative Projects所
內
合
作
計
畫
因此，考慮到上述錯綜複雜的關係，為了處理社群影響力隨時間不同量化，我們將運用表述事實的知識
圖譜來捕捉商品間的關係，以及針對某種關係的元結構（meta-graph）來描述具有此關係兩商品間的連
結之語意，而針對每個元結構的權重則表示其對特定關係的重要性。根據先前購買的商品來學習和微調
元結構的權重，消費者對商品關係的動態主觀認知可藉由一個以商品為節點、商品間的關係（如：互補
及替代）及其相關性分數為邊的「主觀商品網路」捕捉。據此，我們將針對一系列相關商品的推銷，
提出一道新問題──帶有消費者動態主觀認知的影響力最大化（In uence Maximization with Dynamic
Personal Perception，DPP-IM），其同時考慮 1) 商品間的關係、2) 因著先前購買商品而會隨時間改變的
個人喜好及社群影響力。DPP-IM 問題的目標在於在預算內選擇將在不同時間由適當消費者推銷的相關
商品，以最大化在動態主觀認知及社群影響力下之利益。第一年提出的延伸實境推薦系統有另一項限制
──為完全中心化的系統（亦即顯示的商品配置完全由零售平台所支配）。但在現實中，零售平台所販
賣的大量商品來自不同的供應方，而這些供應方會為了有限零售資源相互競爭，如：延伸實境商場中的
商品顯示位置及電子商務的廣告投放位置等。因此，仔細檢驗延伸實境推薦系統中供應方的策略性及競
爭性的行為是很重要的。故在本計劃的第二年，我們將結合即時競標機制來協助將延伸實境推薦系統中
的商品顯示放置於正確位置。為了幫助供應方平台（即所提出的延伸實境推薦系統）推測競標結果及配
置商品顯示，及引導需求方平台（即廣告經紀商）在有限預算下的競標行為，設計一套能精準預測得標
價（通常是競標價中最高者）的子系統是必要的。在一般封閉式拍賣（Sealed-bid Auction）機制下，如：
次價投標拍賣（Second-price Auction），對需求方平台來說，一個主要的挑戰是缺少關於得標價的完整
資訊（特別是對在過去競標失敗者），因為得標價只有競標成功者才可見。這問題在採用首價投標拍賣
時會更為嚴重，且其相較於次價投標拍賣變得越來越普及。在首價投標拍賣中，即使需求方平台贏得廣
告曝光機會，得標價仍不可見。唯一可得知的資訊是需求方平台是否以其競標價贏得廣告曝光機會。因
此，我們的目標是協助需求方平台設計一套有效的在各種分佈及不同拍賣機制下的得標價預測方法。為
了設計一套新的得標價模型，本計畫將基於深度模型架構評估不同損失函數的效能及影響；再者，我們
將設計一模型階層（元件）及損失函數，自得標率習得雙重設限的（Double-Censored）得標價。我們亦
將分析正則項如何使分佈更為平滑，及如何影響得標價模型的效能；再者，我們將分析得標價預測如何
影響得標率及利潤，並研究如何運用得標價模型建立競標策略。我們將以利潤及成本曲線等度量來評估
我們的模型及競標策略。
第三年
我們將轉移焦點至密集的資料收集以及經由物聯網（Internet of Things，IoT）進行即時活動與適地性搜尋，
以促進消費者回饋的即時探測並提供延伸實境購物環境中的即時支援。因應延伸實境商店中的客製化商
品配置，探測即時消費者回饋是必要的。再者，為了支援不同種類的回饋以有效排序多視角顯示配置，
需要運用社群物聯網（Social Internet of Things，SIoT）協同辨識及處理局部活動，因此多種物聯網是必
要的。另一方面，作為科技的新趨勢，對延伸實境環境與介面不夠熟悉的消費者可能會遇上技術性問題
而需要求助，且在全面化使用延伸實境商店的情形下，運用社群物聯網來提供對消費者立即的支援及避
免部署過多的員工是重要的。因此，設計一套可擴展且快速的社群物聯網的部署與溝通方式以支援上述
需求是很重要的。據此，我們將考慮社群物聯網的溝通、運算與覆蓋的行動邊緣運算網路，探討延伸實
境商店中的社群物聯網群體建構與個別社群物聯網的選擇工作，以因應動態環境中對消費者的支援，供
應不同類型回饋的探測及適地性搜尋。我們將提出一道新的最佳化問題，以針對適地性探測及推薦，在
動態環境下得到最佳的搜尋結果。
92
內
合
作
計
畫
因此，考慮到上述錯綜複雜的關係，為了處理社群影響力隨時間不同量化，我們將運用表述事實的知識
圖譜來捕捉商品間的關係，以及針對某種關係的元結構（meta-graph）來描述具有此關係兩商品間的連
結之語意，而針對每個元結構的權重則表示其對特定關係的重要性。根據先前購買的商品來學習和微調
元結構的權重，消費者對商品關係的動態主觀認知可藉由一個以商品為節點、商品間的關係（如：互補
及替代）及其相關性分數為邊的「主觀商品網路」捕捉。據此，我們將針對一系列相關商品的推銷，
提出一道新問題──帶有消費者動態主觀認知的影響力最大化（In uence Maximization with Dynamic
Personal Perception，DPP-IM），其同時考慮 1) 商品間的關係、2) 因著先前購買商品而會隨時間改變的
個人喜好及社群影響力。DPP-IM 問題的目標在於在預算內選擇將在不同時間由適當消費者推銷的相關
商品，以最大化在動態主觀認知及社群影響力下之利益。第一年提出的延伸實境推薦系統有另一項限制
──為完全中心化的系統（亦即顯示的商品配置完全由零售平台所支配）。但在現實中，零售平台所販
賣的大量商品來自不同的供應方，而這些供應方會為了有限零售資源相互競爭，如：延伸實境商場中的
商品顯示位置及電子商務的廣告投放位置等。因此，仔細檢驗延伸實境推薦系統中供應方的策略性及競
爭性的行為是很重要的。故在本計劃的第二年，我們將結合即時競標機制來協助將延伸實境推薦系統中
的商品顯示放置於正確位置。為了幫助供應方平台（即所提出的延伸實境推薦系統）推測競標結果及配
置商品顯示，及引導需求方平台（即廣告經紀商）在有限預算下的競標行為，設計一套能精準預測得標
價（通常是競標價中最高者）的子系統是必要的。在一般封閉式拍賣（Sealed-bid Auction）機制下，如：
次價投標拍賣（Second-price Auction），對需求方平台來說，一個主要的挑戰是缺少關於得標價的完整
資訊（特別是對在過去競標失敗者），因為得標價只有競標成功者才可見。這問題在採用首價投標拍賣
時會更為嚴重，且其相較於次價投標拍賣變得越來越普及。在首價投標拍賣中，即使需求方平台贏得廣
告曝光機會，得標價仍不可見。唯一可得知的資訊是需求方平台是否以其競標價贏得廣告曝光機會。因
此，我們的目標是協助需求方平台設計一套有效的在各種分佈及不同拍賣機制下的得標價預測方法。為
了設計一套新的得標價模型，本計畫將基於深度模型架構評估不同損失函數的效能及影響；再者，我們
將設計一模型階層（元件）及損失函數，自得標率習得雙重設限的（Double-Censored）得標價。我們亦
將分析正則項如何使分佈更為平滑，及如何影響得標價模型的效能；再者，我們將分析得標價預測如何
影響得標率及利潤，並研究如何運用得標價模型建立競標策略。我們將以利潤及成本曲線等度量來評估
我們的模型及競標策略。
第三年
我們將轉移焦點至密集的資料收集以及經由物聯網（Internet of Things，IoT）進行即時活動與適地性搜尋，
以促進消費者回饋的即時探測並提供延伸實境購物環境中的即時支援。因應延伸實境商店中的客製化商
品配置，探測即時消費者回饋是必要的。再者，為了支援不同種類的回饋以有效排序多視角顯示配置，
需要運用社群物聯網（Social Internet of Things，SIoT）協同辨識及處理局部活動，因此多種物聯網是必
要的。另一方面，作為科技的新趨勢，對延伸實境環境與介面不夠熟悉的消費者可能會遇上技術性問題
而需要求助，且在全面化使用延伸實境商店的情形下，運用社群物聯網來提供對消費者立即的支援及避
免部署過多的員工是重要的。因此，設計一套可擴展且快速的社群物聯網的部署與溝通方式以支援上述
需求是很重要的。據此，我們將考慮社群物聯網的溝通、運算與覆蓋的行動邊緣運算網路，探討延伸實
境商店中的社群物聯網群體建構與個別社群物聯網的選擇工作，以因應動態環境中對消費者的支援，供
應不同類型回饋的探測及適地性搜尋。我們將提出一道新的最佳化問題，以針對適地性探測及推薦，在
動態環境下得到最佳的搜尋結果。
92
