设计原理、研究方法与步骤

1、六、 設計原理、研究方法與步驟以標籤作為主要工具，設計一套AI認知精緻化系統，對照AI學習對象(受試者)的認知，根據標籤分類法衍生出文件的關聯度，用類神經網路中的監督式學習網路模擬學習過程，產生網路模型呈現AI用認知精緻化方法學習的成果，文件和標籤及其關聯網路建構完成後，針對其中一個標籤相關的所有文件進行分群，被下了該標籤的文件之間，按照除去該標籤之後的關聯度高低有著粗細不等的聯結(連線)，把下同樣標籤的所有文件拿給受試者分群，推論分群對應到關聯網路的結果，同一群文件各自間的關聯線應該較粗，不同群的文件聯結則較弱(線細)甚至沒有關聯。系統架構系統架構圖: DATADATABASEOperati

2、on SystemDichotomyVisualizationUserUser InterfaceInput tags使用者介面設計: 對在電腦裡的檔案按右鍵會出現TagSerch的選項，按下即可新增標籤。開啟程式執行檔:-選擇view來檢視全部檔案的關聯網路圖-選擇file針對檔案做管理-選擇tool為用標籤搜尋檔案的功能，搜尋結果會以簡化的關聯網路圖來 呈現檢視所有和該標籤相關的檔案。點選網路圖其中一個檔案後，會在右方attribute欄位裡顯示檔案資訊。在 Tags這個欄位中有的按鈕，在檢視檔案網絡時會enable，以方便使用者一邊檢視網絡圖，一邊修改檔案的標籤設定。資料庫設計: 此專題

3、使用Microsoft SQL Server資料庫，包含檔案資料表(file)、 標籤資料表(tag)及關係資料表(file-tag relation) 三個資料表，如下:a.檔案資料表(file)有兩個欄位: 檔案編號(fid)與檔案路徑(fpath)。 b.標籤資料表(tag)有兩個欄位: 標籤編號(tid)與標籤內容(ttext)。 c.關係資料表(file-tag relation)有三個欄位: 關係編號(rid)、檔案編號(fid)及標籤編號(tid)。 關係資料表中的檔案編號(file-tag relation.fid)和標籤編號(file-tag relation.tid)分別關

4、聯到檔案資料表之檔案編號(file.fid)和標籤資料表 之標籤編號(tag.tid)。 新增一個檔案時，會把該檔案編號，並紀錄其存放路徑；而為檔案加上 一個標籤時，會先在標籤資料表搜尋該標籤內容是否已存在；若存在，用該 標籤的編號和檔案編號，在關係資料表插入一筆關係；若不存在，則先在標 籤資料表新增該標籤，再插入關係於關係資料表中。系統流程圖:DocumentsTagsinput dataloopDocumentsTagsloopRid Fid Tid Fid Path Tid NamedichotomyvisualizationMachine LearningAlgorithmRid Fi

5、d Tid Fid Path Tid Nameconstruct the databasedichotomyMachine LearningAlgorithmnetwork in dichotomy visualizationvisualization系統功能 此為本專題實驗的核心，分為幾個部分來達到機器學習的效果:第一部分是選擇特徵(feature selection)，然後建構資料的模型(model selection)，最後把這個模型當成學習的成果，拿來做預測(prediction)。機器學習演算法:選擇特徵 整理資料庫中的資料，計算每個tag相關的檔案以及每個檔案被下的tag利用鏈結串

6、列(linklist)暫存。建構模型a.繪製二分網路:，把上一步驟整理出來的鏈結串列整合成二分網路，就是只有兩種多對多節點，且同種節點間不可有連線的網路。b.二分網路轉成關聯網路:將二分網路中的標籤節點依序拿掉，共同連接到該節點的檔案關聯度就加一(加一條連線或把現有連線加粗)。預測依所下的標籤簡化關聯網路(分群):針對一個被使用最多次的標籤，找出所有和他相關的檔案，並畫出檔案之間的關聯度，原本應該要把所有關聯度減一，但是連線的粗細是一個相對關係，對整個實驗並沒有太大的影響，所以把這個動作省略。實驗步驟1 讓受試者針對文件下一至多個不等的標籤2 系統依使用者所下標籤對文件進行關聯度運算且視覺化3

7、 經過一段時間後，給予受試者一部分的文件讓他用直覺進行分群4 系統用視覺化結果也將該部分文件按照關聯強度分群5 比對兩個分群的相似程度給予受試者部分文件使其用直覺進行分群比照系統視覺化後的分群與受試者的分群結果相似程度使用者對文件下標籤系統將文件之間的關聯度視覺化實驗流程:七、 系統實現與實驗1.讓受試者針對文件下一至多個不等的標籤Fig.3 選擇TagSearch後會出現一個視窗顯示檔案名稱和路徑，旁邊有一個欄位供使用者輸入標籤，按下確定後，會把檔案資訊及標籤資訊傳送到資料庫。2.系統把文件之間的關聯度視覺化Fig.4檔案間相關度高的連線較粗，在同個資料夾的檔案標示相同的底色。3.給受試者一

8、部分的文件讓他用直覺進行分群Fig.5請使用者將認定為同樣分群的圖片圈起來，如果該分群只有一個檔案則不需。4.用視覺化結果也將該部分文件按照關聯強度分群Fig.6視覺化出來的結果，為了要和使用者分群比對，我們選擇用文件內容的縮圖代替檔名呈現，中間的文字則是所指定的標籤，以縮小文件分群的範圍，檔案間關聯度高的給予較粗的連線。5.比對兩個分群的相似程度 我們可以發現只要是使用者劃分為同一群的文件，之間都會有連線；甚至 是較粗的連線，所以由此可以論斷，這樣的標籤網路圖與使用者對文件的記憶 有絕對的關係。八、 效能評估與成果 實驗結果和我們預期的相差不遠，但是在分群邊緣的地方界定比較模糊。還有使用者分

9、群時，如果不是按照直覺，而有做更深入的聯想，結果就會稍有出入。這部分可以試著在短時間內作更大量的實驗來減少誤差。九、 結論 本專題設計出的以個人標籤產生關聯網路模型，奠基於認知精緻化之理論，在機器學習的範疇創新方法，是將心理學結合人工智慧的初步結果，學術上能提供更進一步研究的平台，產業上改良現有的個人電腦檔案管理，把廣泛應用於網際網路的標籤分類系統擴充到PC上，增進搜尋檔案時的效率和便利度。在本專題的實驗過程，我們發現到此視覺化的網路圖，由實驗證明出合乎人類記憶模型，更可進一步應用在個人記憶的重整與加深；舉例來說，當記憶節點間的聯結變淡時，可以透過複習這樣的網路圖來回復，幫助使用者更快找到隨時

10、間被淡忘的檔案，並再次記憶該檔案的關聯性，鞏固記憶節點的定位。十、 參考文獻i. 林依文. 個人知識重整-以記憶模型與標籤技術為基礎 Reorganizing Personal Knowledge Based on Memory Models.新竹: 交通大學, 2007ii. "分眾分類法" </wiki/%e5%88%86%e4%bc%97%e5%88%86%e7%b1%bb%e6%b3%95>.iii. Troelsen, Andrew. Pro C# with .NET 3.0. Special ed. Apr

11、ess, 2007.iv. Hotho, Andreas, Robert J¨aschke, Christoph Schmitz, and Gerd Stumme. Information Retrieval in Folksonomies: Search and Ranking. Germany.v. Harmer, Craig, Sara Abraham, and Peter Vajgel. System and method for performing file lookup based on tags. VERITAS Operating Corporation, assignee. Patent 7228229. 2007.vi. Lee, Kangpyo, Hyunwoo Kim, Chungsu Jang, and Hyoung-Joo Kim. "Folksoviz: a subsumption-based folksono