基於知識圖譜之異質性網路財金新聞推薦

高崇恩 · Chong-En Gao · 基於知識圖譜之異質性網路財金新聞推薦 · Financial news recommendation from heterogeneous network based on knowledge graph · 吳家齊. 資料載入處理中... 跳到主要內容 臺灣博碩士論文加值系統 ::: 網站導覽| 首頁| 關於本站| 聯絡我們| 國圖首頁| 常見問題| 操作說明 English |FB專頁 |Mobile 免費會員 登入| 註冊 功能切換導覽列 (188.166.176.73)您好！臺灣時間：2022/07/1001:58 字體大小：       ::: 詳目顯示 recordfocus 第1筆/ 共1筆  /1頁 論文基本資料 摘要 外文摘要 目次 參考文獻 論文連結 QRCode 本論文永久網址: 複製永久網址Twitter研究生:高崇恩研究生(外文):Chong-EnGao論文名稱:基於知識圖譜之異質性網路財金新聞推薦論文名稱(外文):Financialnewsrecommendationfromheterogeneousnetworkbasedonknowledgegraph指導教授:吳家齊學位類別:碩士校院名稱:淡江大學系所名稱:管理科學學系企業經營碩士班學門:商業及管理學門學類:企業管理學類論文種類:學術論文論文出版年:2021畢業學年度:109語文別:中文論文頁數:44中文關鍵詞:知識圖譜、社群媒體挖掘、圖嵌入、推薦系統外文關鍵詞:Knowledgegraph、Socialmediamining、Graphembedding、Recommendationsystem相關次數: 被引用:0點閱:42評分:下載:0書目收藏:0 隨著網路的蓬勃發展，近年來推薦系統在各領域的應用已相當廣泛，人們收集各式資訊的方式不斷轉換、電子媒體的傳播速度迅速，投資人獲得股市消息也變得快速且容易。

但要如何在龐大的資訊中篩選自身所需的資料，以作為投資決策的參考，仍是一個具有挑戰的議題。

本研究的目的為改善推薦系統在財金新聞的推薦效果。

本研究所提出的方法首先藉由個股、關鍵字詞，以及上下游資訊建立社群網絡，再以圖嵌入方法取得網絡中每個節點的向量，並且計算節點間的相似度，最後建立推薦模型進行新聞推薦。

本研究藉由實際推薦新聞給受訪者，測試本研究所提出的推薦系統。

透過受訪者的回饋，可發現本研究所提出的系統可成功推薦使用者感興趣的新聞。

即使無法取得使用者過去的歷史紀錄，仍可藉由使用者自行挑選的股票，以及社群網絡中的關聯，推薦使用者感興趣的相關新聞。

然而，本研究目前所納入的資料來源有限，也尚未將新聞的時效性納入考量，未來研究仍有許多可改善的空間。

WiththevigorousdevelopmentoftheInternet,inrecentyears,theapplicationsofrecommendationsystemsinvariousfieldshavebeenverywidespread.Thewaypeoplecollectallkindsofinformationisconstantlychanging,andthespreadofelectronicmediaisrapid.Ithasbecomefastandeasyforinvestorstoobtainstockmarketnews.However,howtoextractusefuldatafromahugeamountofinformationisstillachallengingissue.Thisresearchaimstoimprovetherecommendationeffectoffinancialnewsrecommending.Theproposedmethodfirstbuildsanetworkwithindividualstocks,keywords,andsupplychaininformation.Thegraphembeddingmethodisusedtoobtainavectorforeachnodeinthenetwork,andthesimilaritiesbetweennodesarethencalculated.Finally,amodelisconstructedforrecommendingfinancialnews.Theproposedrecommendationsystemwastestedbyrecommendingnewstointerviewees.Accordingtothefeedbackofinterviewees,theproposedsystemcangeneraterecommendationsthatmeettheneedsofusers.Eventhereisnohistoricalrecord,thesystemcanproducesuccessfulrecommendationswithuser-chosenstocksandrelationshipsinthenetwork.However,thedatasourcesincludedinthisstudyarelimited,andthetimelinessofnewshasnotbeenconsidered.Theproposedmethodcanstillbeimprovedbysomefutureworks. 目錄中文摘要I英文摘要II圖目錄V表目錄VI第一章緒論11.1研究背景與動機11.2研究目的51.3研究架構6第二章文獻探討72.1推薦系統72.1.1協同過濾72.1.2基於內容推薦82.1.3混合式推薦系統92.2推薦系統的應用122.3圖表示法學習122.4小結14第三章研究方法153.1網路建立173.2圖嵌入183.3餘弦相似度203.4推薦系統21第四章實驗結果224.1原始資料介紹224.2資料處理264.3建立網路模型274.4圖嵌入294.5餘弦相似度304.6推薦系統314.6.1推薦PTT用戶314.6.2使用者自選股票35第五章結論與建議39參考文獻40中文文獻40英文文獻42圖目錄圖1-1歷年台股市值佔GDP比重折線圖2圖1-2證券經紀商委託人開戶統計表3圖1-3水利知識圖譜5圖2-1協同過濾示意圖8圖2-2基於內容推薦示意圖9圖2-3混合式推薦示意圖11圖2-4使用者與物品的喜好關係圖13圖3-1推薦模型建構流程16圖3-2各節點與邊之關係架構圖18圖3-3BFS與DFS19圖3-4隨機漫步(randomwalk)20圖3-5cosinesimilarityformula21圖4-1完整網路模型圖28圖4-2A1到A3放大的示意圖29表目錄表4-1PTT股票版文章部分原始資料23表4-2關鍵字部分原始資料24表4-3鉅亨網新聞部分原始資料24表4-4富邦證券之公司互動表部分原始資料25表4-5上市股票證券編碼部分原始資料26表4-6編號分類表27表4-7節點向量表部分資料30表4-8相似度向量矩陣部分資料30表4-9A14文章標題及內容31表4-10A14包含之關鍵字列表32表4-11與U11相似度最高的10篇新聞32表4-12A14與新聞之關鍵字表34表4-13自選股票表35表4-142330台積電之新聞推薦表36表4-152002中鋼之新聞推薦表37表4-162454聯發科之新聞推薦表38 中文文獻王釗東(2017)。

以大數據探究財經新聞對台灣股票市場表現之影響。

國立臺灣大學。

范景怡、高侑成、黃謙順、曾國城(2013)。

運用資料探勘技術於混合式推薦系統預測整合之研究。

第九屆知識社群國際研討會。

財經M平方。

上網日期:2021/4/27。

檢自：https://www.macromicro.me/charts/155/tw-marketcap-gdp黃日昇(2019)。

電子類股上、中、下游間報酬與籌碼面之關聯性研究。

國立雲林科技大學。

黃彥文(2019)。

secbuzzer。

BFS與DFS。

上網日期：2021/5/14。

檢自：https://secbuzzer.co/post/13黃富馴(2019)。

Blogger。

水。

運用大數據建立水利知識圖譜。

上網日期:2021/5/27。

檢自：https://water-tw.blogspot.com/2019/09/blog-post_18.html臺灣證券交易所。

【證券經紀商投資人開戶統計表】年報(2019-2021)。

上網日期:2021/4/27。

檢自：https://www.twse.com.tw/zh/statistics/statisticsList?type=07&subType=261蔡孟學(2014)。

分析股市新聞與交易量之影響。

國立清華大學。

魏志豪(2021年4月)。

鉅亨網。

台股新聞。

上網日期:2021/5/3驅動晶片漲價效益顯敦泰、南茂、頎邦3月營收全衝新高。

檢自：https://news.cnyes.com/news/id/4627409AWSTeam(2019)。

AmazonBlogs。

電子商務網站中使用者與物品的關係。

上網日期:2021/6/6。

檢自：https://aws.amazon.com/cn/blogs/china/using-map-database-amazon-neptune-make-recommendations-collaborative-filtering-method/英文文獻DeepakAgarwal.&Bee-ChungChen.(2009).Regression-basedlatentfactormodels.Proceedingsofthe15thACMSIGKDDinternationalconferenceonKnowledgediscoveryanddataminingJune,19-28.DOI:10.1145/1557019.1557029.RimjhimAgrawal.,Md.Arquam.&AnuragSingh.(2020).CommunitydetectioninNetworksusingGraphEmbedding.ProcediaComputerScience,Volume173,372-381.DOI:10.1016/j.procs.2020.06.044.KyunghyunCho.,BartvanMerrienboer.,CaglarGulcehre.,DzmitryBahdanau.,FethiBougares.,HolgerSchwenk.&YoshuaBengio.(2014).LearningPhraseRepresentationsusingRNNEncoder-DecoderforStatisticalMachineTranslation.ThomasH.Cormen.,CharlesE.Leiserson.,RonaldL.Rivest.&CliffordStein.(2009).IntroductiontoAlgorithms,3/e(IE-Paperback).MIT.AdityaGrover.&JureLeskovec.(2016).node2vec:ScalableFeatureLearningforNetworks.InProceedingsofthe22ndACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining.DOI:10.1145/2939672.2939754.FrederikHogenboom.,MichelCapelle.,MarnixMoerland.&FlaviusFrasincar.(2014).Bing-SF-IDF+:semantics-drivennewsrecommendation.Proceedingsofthecompanionpublicationofthe23rdinternationalconferenceonWorldwidewebcompanion.DOI:10.1145/2567948.2577310.NirmalJonnalagedda.,SusanGauch.,KevinLabille.&SultanAlfarhood.(2016).Incorporatingpopularityinapersonalizednewsrecommendersystem.PeerJComputerScience2(3):e63.DOI:10.7717/peerj-cs.63.GeorgeLekakos.&PetrosCaravelas.(2008).AHybridapproachformovierecommendation.MultimediaToolsandApplications36(1):55-70.DOI:10.1007/s11042-006-0082-7.ShumpeiOkura.,YukihiroTagami.,ShingoOno.&AkiraTajima.(2017).Embedding-basedNewsRecommendationforMillionsofUsers.Proceedingsofthe23rdACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMiningAugust,1933-1942.DOI:10.1145/3097983.3098108.OwenPhelan.,KevinMcCarthy.&BarrySmyth.(2009).Usingtwittertorecommendreal-timetopicalnews.Proceedingsofthe2009ACMConferenceonRecommenderSystems,23-25.DOI:10.1145/1639714.1639794.JiangtaoRen.,JiaweiLong.&ZhikangXu.(2019).Financialnewsrecommendationbasedongraphembeddings.DecisionSupportSystems,Volume125.DOI:10.1016/j.dss.2019.113115.Jeong-wooSon.,A-YeongKim.&Seong-BaePark.(2013).Alocation-basednewsarticlerecommendationwithexplicitlocalizedsemanticanalysis.Proceedingsofthe36thinternationalACMSIGIRconferenceonResearchanddevelopmentininformationretrieval.DOI:10.1145/2484028.2484064.MicheleTrevisiol.,LucaMariaAiello.,RossanoSchifanella.&AlejandroJaimes.(2014).Cold-startNewsRecommendationwithDomain-dependentBrowseGraph.8thACMConferenceonRecommenderSystems.DOI:10.1145/2645710.2645726.RandomWalk(2018).GeeksforGeeks.org.Onlinedate:2021/6/7.Checkedfrom:https://www.geeksforgeeks.org/random-walk-implementation-Python/XindongWu.,FeiXie.,GongqingWu.&WeiDing.(2011).PersonalizedNewsFilteringandSummarizationontheWeb.IEEE23rdInternationalConferenceonToolswithArtificialIntelligence.DOI:10.1109/ICTAI.2011.68.YongZheng.,MayurAgnani.&MiliSingh.(2017).IdentifyingGreySheepUsersByTheDistributionofUserSimilaritiesInCollaborativeFiltering.Proceedingsofthe6thAnnualConferenceonResearchinInformationTechnology,1-6.DOI:10.1145/3125649.3125651 連結至畢業學校之論文網頁點我開啟連結註:此連結為研究生畢業學校所提供，不一定有電子全文可供下載，若連結有誤，請點選上方之〝勘誤回報〞功能，我們會盡快修正，謝謝！ 推文 網路書籤 推薦 評分 引用網址 轉寄                                                                                                                                                                                                                    top 相關論文 相關期刊 熱門點閱論文 1. 基於知識圖譜表示法學習增強使用者與物品交互關係於推薦系統之效能改進 2. 使用外部領域的知識圖譜改進類神經協同過濾系統 3. 結合知識圖與屬性注意力機制以增強推薦系統的可解釋性   無相關期刊   1. 基於知識圖譜表示法學習增強使用者與物品交互關係於推薦系統之效能改進 2. 利用弱監督式學習及知識圖譜於招募人員行為分析之研究 3. 使用轉移學習建置基於財金新聞情緒的股票趨勢預測模型 4. 基於類神經網路模型之財金新聞文本情感分析與股票預測 5. 一種不確定知識圖譜上表徵學習的方法 6. 基於消費心理學的知識圖譜建構 7. 基於知識圖譜推理及異質提問之階層式強化學習應用於對話式推薦 8. 基於知識圖譜改善製鞋業生產品質之研究 9. 以知識圖譜模型協助生物醫學領域的關係萃取 10. 以知識圖譜設計智慧型聊天機器人-以Python程式測驗為例 11. 透過基於知識圖譜之事件嵌入方法結合Black-Litterman模型優化資產配置 12. 結合門控迴圈單元和知識圖譜嵌入的股票趨勢預測 13. 使用外部領域的知識圖譜改進類神經協同過濾系統 14. 運用知識圖譜於國小教師自我導向學習傾向之研究 15. 結合知識圖譜與文本來訓練專業領域詞彙詞向量     簡易查詢 | 進階查詢 | 熱門排行 | 我的研究室