京都大学 / 0048 / 新制・課程博士 / 博士(情報学) / 甲第21907号 / 情博第690号 / 新制||情||119(附属図書館) / 京都大学大学院情報学研究科知能情報学専攻 / (主査)教授 鹿島 久嗣, 教授 山本 章博, 教授 下平 英寿 / 学位規則第4条第1項該当 / Doctor of Informatics / Kyoto University / DFAM

個々のゴルファーに合ったクラブを設計するには，スイング時のクラブの弾性変形挙動とゴルファーの協調動作をシミュレーション上で再現する必要がある．本論文は，ヒトの運動特性を考慮したクラブの弾性変形挙動シミュレーションモデルを構築し，さらに，特異値分解法によるスイング時の協調動作抽出手法の有効性を示すことで，シミュレーションに基づく個々に合ったクラブを提案するための新たな設計手法を確立する． / 博士(工学) / Doctor of Philosophy in Engineering / 同志社大学 / Doshisha University

現今許多網路商店或電子商務將產品銷售給消費者的過程中，皆使用推薦系統的幫助來提高銷售量。如亞馬遜公司(Amazon)、Netflix，深入了解顧客的使用習慣，建構專屬的推薦系統並進行個性化的推薦商品給每一位顧客。 推薦系統應用的技術分為協同過濾和內容過濾兩大類，本研究旨在探討協同過濾推薦系統中潛在因子模型方法，利用矩陣分解法找出評分矩陣。在Koren等人(2009)中，將矩陣分解法的演算法大致分為兩種，隨機梯度下降法(Stochastic gradient descent)與交替最小平方法(Alternating least squares)。本研究主要研究目的有三項，一為比較交替最小平方法與隨機梯度下降法的預測能力，二為兩種矩陣分解演算法在加入偏誤項後的表現，三為先完成交替最小平方法與隨機梯度下降法，以其預測值對原始資料之遺失值進行資料插補，再利用奇異值分解法對完整資料做矩陣分解，觀察其前後方法的差異。 研究結果顯示，隨機梯度下降法所需的運算時間比交替最小平方法所需的運算時間少。另外，完成兩種矩陣分解演算法後，將預測值插補遺失值，進行奇異值分解的結果也顯示預測能力有提升。 / Recommender system has been largely used by Internet companies such Amazon and Netflix to make recommendations for Internet users. Techniques for recommender systems can be divided into content filtering approach and collaborative filtering approach. Matrix factorization is a popular method for collaborative filtering approach. It minimizes the object function through stochastic gradient descent and alternating least squares. This thesis has three goals. First, we compare the alternating least squares method and stochastic gradient descent method. Secondly, we compare the performance of matrix factorization method with and without the bias term. Thirdly, we combine singular value decomposition and matrix factorization. As expected, we found the stochastic gradient descent takes less time than the alternating least squares method, and the the matrix factorization method with bias term gives more accurate prediction. We also found that combining singular value decomposition with matrix factorization can improve the predictive accuracy.

本文應用向量自我迴歸模型與一般化預測誤差變異數分解，並將其估計結果導入網路拓樸與引力佈局模型的概念，來探討臺灣類股與國際股票市場之間報酬率的傳導結構與外溢效果。我們使用了 2001 年 7 月至 2015 年 10 月的臺灣加權股價指數、臺灣 19 個類股股價指數與國際間 43 個國家之主要股市指數來進行分析。我們發現，除了已開發國家之股市對臺灣類股有較大的影響外，部份亞洲發展中國家亦與臺灣類股之間有相當緊密的連結。另外，雖然國際股市對臺灣類股的外溢效果在 2013 年之後有所下降，但整體而言，臺灣類股受到國際股市的影響在過去十年之間大致呈現上升的趨勢。

No description available.

Kyoto University (京都大学) / 0048 / 新制・課程博士 / 博士(工学) / 甲第17537号 / 工博第3696号 / 新制||工||1562(附属図書館) / 30303 / 京都大学大学院工学研究科都市環境工学専攻 / (主査)教授 田中 宏明, 教授 清水 芳久, 教授 藤井 滋穂 / 学位規則第4条第1項該当

近年來電子商務蓬勃發展，嚴重侵蝕實體通路業績，因此線下服務提供者更應善用資料科學技術，找出顧客未被滿足之需求，進而提供優質服務，其中脫穎而出的關鍵非推薦系統莫屬。 本研究以運用計算產品相似程度的「項目導向協同過濾」和計算使用者與商品蘊含特徵的「潛在因子」兩大類「協同過濾」推薦方法為核心，藉由實體零售通路累積的顧客消費紀錄，驗證「協同過濾」方法較傳統熱門商品推薦機制更符合消費者偏好，且「協同過濾」方法能達到完全個人化推薦之目標。 本研究使用的實體零售通路消費紀錄源於顧客真實購物行為，收集成本低，且數據量龐大，然而此類資料無法直接傳達顧客對於商品的喜好與滿足程度，因此被稱之為「內隱資料」，針對內隱資料處理上，本研究選擇以消費次數取代金額，提出短期重複行為計算閾值概念，以時間修正權重處理可能的偏好轉變與習慣性消費。 模型評估方面，透過強調推薦順序的「平均排名百分比」作為指標，利用傳統熱門商品推薦為基準，比較「項目導向協同過濾」和「潛在因子」兩大類「協同過濾」方法推薦品質的優劣，本研究顯示兩大類「協同過濾」方法達到的推薦品質皆優於熱門商品推薦，且前者遞交的推薦清單為完全個人化，運用本研究發展的推薦系統，將其導入與應用，讓線下服務提供者在與每位顧客接觸的關鍵時刻，能在洞悉對方需求的利基上，提供令顧客滿意的商品與服務，創造獨特且難以模仿的競爭優勢。

京都大学 / 0048 / 新制・課程博士 / 博士(理学) / 甲第18118号 / 理博第3996号 / 新制||理||1576(附属図書館) / 30976 / 京都大学大学院理学研究科生物科学専攻 / (主査)准教授 細川 暢子, 教授 森 和俊, 教授 平野 丈夫 / 学位規則第4条第1項該当 / Doctor of Science / Kyoto University / DFAM

京都大学 / 0048 / 新制・論文博士 / 博士(農学) / 乙第13065号 / 論農博第2840号 / 新制||農||1046(附属図書館) / 学位論文||H28||N5019(農学部図書室) / (主査)教授 安達 修二, 教授 河田 照雄, 教授 谷 史人 / 学位規則第4条第2項該当 / Doctor of Agricultural Science / Kyoto University / DFAM

京都大学 / 0048 / 新制・課程博士 / 博士(理学) / 甲第20550号 / 理博第4308号 / 新制||理||1618(附属図書館) / 京都大学大学院理学研究科化学専攻 / (主査)教授 竹腰 清乃理, 教授 吉村 一良, 教授 松本 吉泰 / 学位規則第4条第1項該当 / Doctor of Science / Kyoto University / DGAM