跳到主要內容

臺灣博碩士論文加值系統

(44.200.194.255) 您好!臺灣時間:2024/07/18 13:20
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:楊蕙嘉
研究生(外文):Yang, Hui Chia
論文名稱:以評論內容為基礎之評論特質趨勢分析模式
論文名稱(外文):The Model for Sentiment Analysis of Comments
指導教授:侯建良侯建良引用關係
指導教授(外文):Hou, Jiang Liang
學位類別:碩士
校院名稱:國立清華大學
系所名稱:工業工程與工程管理學系
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2016
畢業學年度:104
語文別:中文
論文頁數:299
中文關鍵詞:情緒分析評論特質趨勢分析分群方法
外文關鍵詞:comment characteristicssentiment analysisgrouping method
相關次數:
  • 被引用被引用:4
  • 點閱點閱:601
  • 評分評分:
  • 下載下載:106
  • 收藏至我的研究室書目清單書目收藏:0
當企業推出新產品/服務時,消費者往往透過各類管道針對該產品/服務發表評論,並透過評論表達其對於產品/服務之關注重點、投入情緒、整體評價等,此些評論特質會隨時間產生趨勢的變化(如關注重點的改變、正負情緒比例的增減等),而企業可透過此些趨勢的變化掌握市場的最新需求,以了解消費者偏好之變動趨向,進而發展符合消費者期待之產品/服務。另一方面,消費者亦可透過其關注之產品/服務的相關評論趨勢了解目前市場的輿論與評價趨向,並作出更切合市場脈動趨向之消費決策。然而,此些評論往往包含過多複雜資訊,企業如欲發展符合消費者期待之產品/服務需花費更多時間分析評論內容中所透露之消費者的關注重點、投入情緒、整體評價等趨向。另一方面,消費者為了解其他消費者欲傳遞之產品/服務的正負評價亦須投入更多精力自龐大且複雜之資料中取得產品/服務相關資訊(如使用情形、使用心得、購買價格等)。
為解決企業與消費者在處理評論內容過程中所面臨之各項問題,本研究乃於前置階段中先蒐集評論者於網際網路中針對特定產品/服務所發表之評論內容,並整理各評論內容之評論發佈時間、關注重點、投入情緒、整體評價等特質,再依據此些特質之整理結果建置詞彙庫;之後,本研究乃依據此些評論內容之整理結果發展一套「以評論內容為基礎之評論特質趨勢分析模式」方法。而「以評論內容為基礎之評論特質趨勢分析模式」方法可區分為「評論特質擷取」、「評論資料分群」及「評論特質統整及分佈趨勢分析」等三大階段。其中,「評論特質擷取」階段可依前置階段所建置之詞彙庫擷取評論內容的相關特質(如關注重點、投入情緒、整體評價等);「評論資料分群」階段乃依評論者發表產品/服務之評論內容的發佈時間將各評論進行分群,以作為後續階段進行評論內容趨勢分析之基礎;「評論特質統整及分佈趨勢分析」階段則將各評論內容之關注點、情緒傾向、評價判斷等三大特質以視覺化方式呈現,以凸顯其內容隨時間變化之趨勢。
未來,企業在新產品/服務推出時,即可參考過去消費者對於同性質之產品/服務所透露的關注重點、投入情緒、整體評價等特質之趨勢,讓新產品/服務可更符合消費者需求。另一方面,消費者亦可透過此些趨勢之變化了解目前市場的輿論與評價趨向,進而選擇更合適之產品/服務。
As a company releases a new product service to the market, consumers often express their interests, emotional tendencies and overall evaluations over the internet through comments. The trend of comment characteristics always changes with time. Enterprises can capture the latest market demand based on the tendency explored. On the other hand, consumers can also make their own decisions by these references. However, complex information might exist in the comments and thus companies have to spend much time in analyzing comments characteristics. Furthermore, consumers should also dedicate more efforts to acquire information about product usage, feedbacks and t price from the complicated information. In order to solve the problems, this study develops a model for sentiment analysis of comments. It can be used to visuallyreveals the tendency of the comments. By applying the proposed model, enterprises can refer to the latest trend of interests, emotional tendencies and overall evaluation of consumers. As a result, new products / services can fit more to consumer needs. Moreover, the consumers can acquire useful opinions from the public in order to select more suitable products or services.
目錄

摘要 I
ABSTRACT II
目錄 III
圖目錄 V
表目錄 XII
第一章、研究背景 1
1.1研究動機與目的 1
1.2研究步驟 5
1.3研究定位 8
第二章、文獻回顧 11
2.1評論特質擷取 11
2.1.1以監督式方法擷取評論特質 11
2.1.2以非監督式方法擷取評論特質 18
2.1.3以混和式方法擷取評論特質 23
2.2評論分群 25
2.2.1針對一般情境之分群方法 25
2.2.2針對特定領域之分群方法 30
2.3評論特質視覺化 37
2.3.1以視覺化方法呈現文件間之關聯性 37
2.3.2以視覺化方法呈現文件之主題 44
2.4小結 47
第三章、以評論內容為基礎之評論特質趨勢分析模式 49
3.1現行評論內容解析 51
3.1.1評論特質釐清 51
3.1.2三大評論特質趨勢分析 62
3.2評論特質擷取 73
3.3評論資料分群 80
3.4評論特質統整及分佈趨勢分析 84
第四章、系統規劃與架構 98
4.1系統核心架構 98
4.2系統功能架構 99
4.3資料模式定義 103
4.4系統功能運作流程 105
4.4.1系統功能操作流程 106
4.4.2系統資料傳遞流程 110
4.5系統開發工具 111
第五章、系統績效驗證與分析 113
5.1系統運作概況說明 113
5.2系統驗證方式說明 121
5.3系統驗證結果分析 127
第六章、結論與未來展望 139
6.1論文總結 139
6.2未來展望 142
參考文獻 144
附錄A、現行評論內容解析 150
附錄B、系統功能操作說明 206
附錄C、模式與系統於第二階段各週期之績效驗證結果 231
附錄D、「評論特質趨勢視覺化」議題之問卷設計 246

圖目錄

圖1.1、評論特質趨勢分析之既有模式圖(As-Is Model) 2
圖1.2、評論特質趨勢分析之期望模式圖(To-Be Model) 3
圖1.3、情境模擬圖 4
圖1.4、研究步驟 7
圖1.5、研究定位 10
圖3.1、「以評論內容為基礎之評論特質趨勢分析」模式整體架構 50
圖3.2、評論特質釐清之示意圖 53
圖3.3、整體評價統計結果之次數直方圖 63
圖3.4、整體評價統計結果之次數折線圖 63
圖3.5、所有評論於各時間點所對應之評價傾向之次數直方圖 66
圖3.6、所有評論於各時間點所對應之評價傾向之次數折線圖 66
圖3.7、所有評論於各時間點所對應之關注點之次數直方圖 68
圖3.8、所有評論於各時間點所對應之關注點之次數折線圖 68
圖3.9、評論內容發佈時間之分群後所形成之時間區間 70
圖3.10、評論內容發佈時間所形成之各群集的關注點次數直方圖 71
圖3.11、評論內容發佈時間所形成之各群集的關注點次數折線圖 71
圖3.12、評論內容發佈時間所形成之各群集的情緒傾向次數直方圖 72
圖3.13、評論內容發佈時間所形成之各群集的情緒傾向次數折線圖 72
圖3.14、評論內容發佈時間所形成之各群集的整體評價次數直方圖 73
圖3.15、評論內容發佈時間所形成之各群集的整體評價次數折線圖 73
圖3.16、「評論特質擷取」示意圖 74
圖3.17、「評論資料分群」示意圖 81
圖3.18、「評論特質統整及分佈趨勢分析」示意圖 85
圖3.19、所有評論內容於各時間點所對應之關注點之次數折線圖的示意圖 95
圖3.20、所有評論內容於各時間點所對應之關注點之次數直方圖的示意圖 95
圖3.21、所有評論內容於各時間點所對應之情緒類別之次數折線圖的示意圖 96
圖3.22、所有評論內容於各時間點所對應之情緒類別之次數直方圖的示意圖 96
圖3.23、所有評論內容於各時間點所對應之評價之次數折線圖的示意圖 97
圖3.24、所有評論內容於各時間點所對應之評價之次數直方圖的示意圖 97
圖4.1、「評論特質趨勢分析」系統之核心架構 98
圖4.2、系統模組與功能架構圖 100
圖4.3、系統運作架構及使用情境 102
圖4.4、「評論特質趨勢分析」系統之資料關聯模式 105
圖4.5、評論特質擷取模組之操作流程 107
圖4.6、評論資料分群模組之操作流程 108
圖4.7、評論特質統整及分佈趨勢分析模組之操作流程 109
圖4.8、系統參數設定模組之操作流程 110
圖4.9、系統資料之存取及傳遞流程 111
圖5.1、系統使用者上傳評論之介面 114
圖5.2、各目標評論所對應之關注點判定結果 115
圖5.3、各目標評論所對應之情緒傾向擷取結果 115
圖5.4、各目標評論所對應之整體評價判斷結果 116
圖5.5、各目標評論對應之排序值 116
圖5.6、評論內容分群結果 117
圖5.7、關注點趨勢呈現(折線圖) 117
圖5.8、關注點趨勢呈現(直方圖) 118
圖5.9、情緒傾向趨勢呈現(折線圖) 118
圖5.10、情緒傾向趨勢呈現(直方圖) 119
圖5.11、整體評價趨勢呈現(折線圖) 119
圖5.12、整體評價趨勢呈現(直方圖) 120
圖5.13、關注點出現頻率門檻值設定結果 120
圖5.14、目標評論所對應之群集數量計算結果 121
圖5.15、「評論特質擷取」議題之績效驗證示意圖 123
圖5.16、「評論特質趨勢視覺化」議題之績效驗證示意圖 123
圖5.17、三大評論特質詞彙擷取召回率與準確率之變化趨勢 132
圖5.18、受測者之閱讀時間對照圖 138
圖5.19、受測者之答題正確數對照圖 138
圖A.1、評論傾向統計結果圖示(與評論內容相關之次數直方圖) 172
圖A.2、評論傾向統計結果圖示(與評論內容相關之百分比直方圖) 173
圖A.3、評論傾向統計結果圖示(與評論內容相關之次數折線圖) 174
圖A.4、評論傾向統計結果圖示(與評論內容相關之百分比折線圖) 175
圖A.5、評論傾向統計結果圖示(與評論內容無關之次數直方圖) 176
圖A.6、評論傾向統計結果圖示(與評論內容無關之百分比直方圖) 177
圖A.7、評論傾向統計結果圖示(與評論內容無關之次數折線圖) 178
圖A.8、評論傾向統計結果圖示(與評論內容無關之百分比折線圖) 179
圖A.9、所有評論於各時間點所對應之評價傾向(與評論內容相關之次數折線圖) 188
圖A.10、所有評論於各時間點所對應之評價傾向(與評論內容相關之百分比折線圖) 189
圖A.11、所有評論於各時間點所對應之評價傾向(與評論內容無關之次數折線圖) 190
圖A.12、所有評論於各時間點所對應之評價傾向(與評論內容無關之百分比折線圖) 191
圖A.13、所有評論於各時間點所對應之關注點(次數折線圖) 197
圖A.14、所有評論於各時間點所對應之關注點(百分比折線圖) 198
圖A.15、評論內容發佈時間之分群後所形成之時間區間 201
圖A.16、評論內容發佈時間所形成之各群集的關注點次數折線圖 (與評論內容相關) 203
圖A.17、評論內容發佈時間所形成之各群集的關注點次數折線圖 (與評論內容不相關) 203
圖A.18、評論內容發佈時間所形成之各群集的情緒傾向次數折線圖 (與評論內容相關) 204
圖A.19、評論內容發佈時間所形成之各群集的情緒傾向次數折線圖 (與評論內容不相關) 204
圖A.20、評論內容發佈時間所形成之各群集的評價判斷次數折線圖 (與評論內容相關) 205
圖A.21、評論內容發佈時間所形成之各群集的評價判斷次數折線圖 (與評論內容不相關) 205
圖B.1、「評論內容匯入」功能點選之介面 207
圖B.2、系統使用者上傳評論之介面 208
圖B.3、系統使用者選擇欲上傳之評論內容 208
圖B.4、系統使用者上傳所選取之評論內容 209
圖B.5、評論上傳成功介面 209
圖B.6、「評論內容匯入」功能點選之介面 210
圖B.7、關注點判定結果 211
圖B.8、「情緒傾向擷取」功能點選之介面 212
圖B.9、情緒傾向擷取結果 212
圖B.10、「整體評價判斷」功能點選之介面 213
圖B.11、整體評價判斷結果 214
圖B.12、「評論內容排序」功能點選之介面 215
圖B.13、評論內容排序結果 215
圖B.14、「評論內容分群」功能點選之介面 216
圖B.15、評論內容分群結果 217
圖B.16、「關注點趨勢呈現」功能點選之介面 218
圖B.17、關注點趨勢呈現(折線圖) 219
圖B.18、關注點趨勢呈現(直方圖) 219
圖B.19、「情緒傾向趨勢呈現」功能點選之介面 221
圖B.20、情緒傾向趨勢呈現(折線圖) 221
圖B.21、情緒傾向趨勢呈現(直方圖) 222
圖B.22、「整體評價趨勢呈現」功能點選之介面 223
圖B.23、整體評價趨勢呈現(折線圖) 224
圖B.24、整體評價趨勢呈現(直方圖) 224
圖B.25、「關注點出現頻率門檻值設定」功能點選之介面 226
圖B.26、系統使用者設定關注點出現頻率門檻值之介面 226
圖B.27、系統使用者點選「submit」之按鈕 227
圖B.28、系統使用者完成關注點出現頻率門檻值設定之介面 227
圖B.29、系統使用者完成關注點出現頻率門檻值更改之介面 228
圖B.30、系統使用者未完成關注點出現頻率門檻值設定之介面 228
圖B.31、「群數決定」功能點選之介面 230
圖B.32、評論內容群數決定結果 230
圖D.1、評論主題01關注點趨勢折線圖 270
圖D.3、評論主題01情緒傾向趨勢折線圖 270
圖D.5、評論主題01整體評價趨勢折線圖 270
圖D.2、評論主題01關注點趨勢直方圖 270
圖D.4、評論主題01情緒傾向趨勢直方圖 270
圖D.6、評論主題01整體評價趨勢直方圖 270
圖D.7、評論主題02關注點趨勢折線圖 273
圖D.9、評論主題02情緒傾向趨勢折線圖 273
圖D.11、評論主題02整體評價趨勢折線圖 273
圖D.8、評論主題02關注點趨勢直方圖 273
圖D.10、評論主題02情緒傾向趨勢直方圖 273
圖D.12、評論主題02整體評價趨勢直方圖 273
圖D.13、評論主題03關注點趨勢折線圖 276
圖D.15、評論主題03情緒傾向趨勢折線圖 276
圖D.17、評論主題03整體評價趨勢折線圖 276
圖D.14、評論主題03關注點趨勢直方圖 276
圖D.16、評論主題03情緒傾向趨勢直方圖 276
圖D.18、評論主題03整體評價趨勢直方圖 276
圖D.19、評論主題04關注點趨勢折線圖 279
圖D.21、評論主題04情緒傾向趨勢折線圖 279
圖D.23、評論主題04整體評價趨勢折線圖 279
圖D.20、評論主題04關注點趨勢直方圖 279
圖D.22、評論主題04情緒傾向趨勢直方圖 279
圖D.24、評論主題04整體評價趨勢直方圖 279
圖D.25、評論主題05關注點趨勢折線圖 282
圖D.27、評論主題05情緒傾向趨勢折線圖 282
圖D.29、評論主題05整體評價趨勢折線圖 282
圖D.26、評論主題05關注點趨勢直方圖 282
圖D.28、評論主題05情緒傾向趨勢直方圖 282
圖D.30、評論主題05整體評價趨勢直方圖 282
圖D.31、評論主題06關注點趨勢折線圖 286
圖D.33、評論主題06情緒傾向趨勢折線圖 286
圖D.35、評論主題06整體評價趨勢折線圖 286
圖D.32、評論主題06關注點趨勢直方圖 286
圖D.34、評論主題06情緒傾向趨勢直方圖 286
圖D.36、評論主題06整體評價趨勢直方圖 286
圖D.37、評論主題07關注點趨勢折線圖 289
圖D.39、評論主題07情緒傾向趨勢折線圖 289
圖D.41、評論主題07整體評價趨勢折線圖 289
圖D.38、評論主題07關注點趨勢直方圖 289
圖D.40、評論主題07情緒傾向趨勢直方圖 289
圖D.42、評論主題07整體評價趨勢直方圖 289
圖D.43、評論主題08關注點趨勢折線圖 292
圖D.45、評論主題08情緒傾向趨勢折線圖 292
圖D.47、評論主題08整體評價趨勢折線圖 292
圖D.44、評論主題08關注點趨勢直方圖 292
圖D.46、評論主題08情緒傾向趨勢直方圖 292
圖D.48、評論主題08整體評價趨勢直方圖 292
圖D.49、評論主題09關注點趨勢折線圖 295
圖D.51、評論主題09情緒傾向趨勢折線圖 295
圖D.53、評論主題09整體評價趨勢折線圖 295
圖D.50、評論主題09關注點趨勢直方圖 295
圖D.52、評論主題09情緒傾向趨勢直方圖 295
圖D.54、評論主題09整體評價趨勢直方圖 295
圖D.55、評論主題10關注點趨勢折線圖 298
圖D.57、評論主題10情緒傾向趨勢折線圖 298
圖D.59、評論主題10整體評價趨勢折線圖 298
圖D.56、評論主題10關注點趨勢直方圖 298
圖D.58、評論主題10情緒傾向趨勢直方圖 298
圖D.60、評論主題10整體評價趨勢直方圖 298
表目錄

表2.1、以監督式方法擷取評論特質之相關文獻彙整 16
表2.2、以非監督式方法擷取評論特質之相關文獻彙整 22
表2.3、以混和式方法擷取評論特質之相關文獻彙整 25
表2.4、針對一般情境之分群方法之相關文獻彙整 29
表2.5、針對評論相關情境之分群方法之相關文獻彙整 34
表2.6、針對影像相關情境之分群方法之相關文獻彙整 37
表2.7、以網絡概念呈現文件間之語意關聯之相關文獻彙整 39
表2.8、以樹狀概念呈現文件間之語意關聯之相關文獻彙整 41
表2.9、呈現文件間之時間關聯之視覺化方法的相關文獻彙整 43
表2.10、以視覺化方法呈現文件之主題之相關文獻彙整 47
表3.1、現行評論內容情緒類別與其對應之評價的解析結果 53
表3.2、以Mercedes-Benz New C-Class為例(Mobile01之評論) 55
表3.3、整體評價統計結果 62
表3.4、評論內容與情緒傾向之關聯 64
表3.5、所有評論於各時間點所對應之評價傾向 65
表3.6、主要(替代)字彙與評論內容與關注點之相關字彙 67
表3.7、所有評論於各時間點所對應之關注點 67
表3.8、評論內容發佈時間所形成之時間區間及其區間長度 69
表3.9、評論內容發佈時間所形成之各群集的向度次數分析 70
表3.10、各評論內容之多個子句所成的集合 75
表3.11、各個評論內容之各個子句對應之關注點集合 77
表3.12、各個評論內容之各個子句對應之情緒傾向集合 78
表3.13、各評論內容之各子句對應之評價集合 80
表3.14、各評論內容所對應之排序值 83
表3.15、各評論內容所隸屬之群集 84
表3.16、各評論內容所含之三大評論特質詞彙集合 87
表3.17、各群集之所有評論內容所含三大評論特質詞彙集合 88
表3.18、評論內容所對應之關注點集合 89
表3.19、各評論內容所對應之關注點集合 89
表3.20、各評論內容所對應之三大評論特質集合 90
表3.21、各群集之所有評論內容所對應的三大評論特質集合 90
表3.22、各群集之所有評論內容所對應的三大評論特質集合中各主題類型的總出現頻率 91
表3.23、各群集之所有評論內容所對應的三大評論特質集合中各情緒類別的總出現頻率 93
表3.24、各群集之所有評論內容所對應的三大評論特質集合中各評價的總出現頻率 94
表5.1、測試資料之三大評論特質擷取結果範例(以測試資料1為例) 128
表5.2、系統於第一階段擷取三大評論特質詞彙所對應之績效表現結果 130
表5.3、系統於第二階段執行「評論特質擷取議題」之績效表現結果 131
表5.4、一般情境及視覺化情境之測試結果 133
表5.5、受測者於一般情境之作答狀況 135
表5.6、受測者於視覺化情境之作答狀況 136
表A.1、汽車產品相關之評論解析結果 152
表A.2、評論傾向統計結果(與評論內容相關) 163
表A.3、內容之評論傾向統計結果(與評論內容無關) 167
表A.4、評論內容與情緒傾向之關聯 180
表A.5、所有評論於各時間點所對應之評價傾向(與評論內容相關) 181
表A.6、所有評論於各時間點所對應之評價傾向(與評論內容無關) 184
表A.7、主要(替代)字彙與評論內容與關注點之相關字彙 192
表A.8、所有評論於各時間點所對應之關注點 193
表A.9、評論內容發佈時間所形成之時間區間及其區間長度 199
表A.10、評論內容發佈時間所形成之各群集的向度次數分析 201
表C.1、第二週期測試資料之三大評論特質擷取結果範例(以測試資料1為例) 232
表C.2、第二週期系統於擷取三大評論特質詞彙所對應之績效表現結果 234
表C.3、第三週期測試資料之三大評論特質擷取結果範例(以測試資料1為例) 236
表C.4、第三週期系統於擷取三大評論特質詞彙所對應之績效表現結果 237
表C.5、第四週期測試資料之三大評論特質擷取結果範例(以測試資料1為例) 239
表C.6、第四週期系統於擷取三大評論特質詞彙所對應之績效表現結果 241
表C.7、第五週期測試資料之三大評論特質擷取結果範例(以測試資料1為例) 243
表C.8、第五週期系統於擷取三大評論特質詞彙所對應之績效表現結果 244
1. Abilhoa, W. D. and de Castro, L. N., 2014, “A Keyword Extraction Method from Twitter Messages Represented as Graphs,” Applied Mathematics and Computation, Vol. 240, pp. 308-325.
2. Ahmed, M. A., Azuraliza, A. B. and Mohd, Z. A., 2014, “Fast Dynamic Clustering SOAP Messages Based Compression and Aggregation Model for Enhanced Performance of Web Services,” Journal of Network and Computer Applications, Vol. 41, pp. 80-88.
3. Akter, R. and Chung, Y., 2013, “An Evolutionary Approach for Document Clustering,” IERI Procedia, Vol. 4, pp. 370-375.
4. Alush, A., Friedman, A. and Goldberger, J., 2016, “Pairwise Clustering Based on the Mutual-information Criterion,” Neurocomputing, Vol. 182, pp. 284-293.
5. Alvaro G., 2015, “Techniques to Reduce Cluttering of RDF Visualizations,” Future Generation Computer Systems, Vol. 53, pp. 152-156.
6. Amiria, E. and Mahmoudi, S., 2016, “Efficient Protocol for Data Clustering by Fuzzy Cuckoo Optimization Algorithm,” Applied Soft Computing, Vol. 41, pp. 15-21.
7. Amrutha, B. and Mintu, P., 2015, “Keyword Based Tweet Extraction and Detection of Related Topics,” Procedia Computer Science, Vol. 46, pp. 364-371.
8. Arangoa, R. B., Camposa, A. M., Combarroa, E. F., Canasb, E. R. and Díaz, I., 2016, “Mapping Cultivable Land from Satellite Imagery with Clustering Algorithms,” International Journal of Applied Earth Observation and Geoinformation, Vol. 49, pp. 99-106.
9. Bakr, A. M., Ghanem, N. M. and Ismail, M. A., 2015, “Efficient Incremental Density-based Algorithm for Clustering Large Datasets,” Alexandria Engineering Journal, Vol. 54, pp. 1147-1154.
10. Bao, H and Deng, Z, 2012, “An Extended Keyword Extraction Method,” Physics Procedia, Vol. 24, pp. 1120-1127.
11. Bayá, A. E., Larese, M. G. and Granitto, P. M., 2016, “Clustering Using PK-D: A Connectivity and Density Dissimilarity,” Expert Systems with Applications, Vol. 51, pp. 151-160.
12. Bonzanini, M., Martinez-Alvarez, M. and Roelleke, T., 2012, "Opinion Summarisation through Sentence Extraction: An Investigation with Movie Reviews," Proceedings of the 35th International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 1121-1122.
13. Cai, X. and Li, W., 2011, “A Spectral Analysis Approach to Document Summarization: Clustering and Ranking Sentences Simultaneously,” Information Sciences, Vol. 181, pp. 3816-3827.
14. Chang, D., Zhao, Y., Zheng, C. and Zhang, X., 2012, “A Genetic Clustering Algorithm Using a Message-based Similarity Measure,” Expert Systems with Applications, Vol. 39, pp. 2194-2202.
15. Chen, Y. H., Lu, J. L. and Tsai, M. F., 2014, “Finding Keywords in Blogs: Efficient Keyword Extraction in Blog Mining via User Behaviors,” Expert Systems with Applications, Vol. 41, pp. 663-670.
16. Choudharia, K. and Bhallab, V. K., 2015, “Video Search Engine Optimization Using Keyword and Feature Analysis,” Procedia Computer Science, Vol. 58, pp. 691-697.
17. Choudharya, A., Rishib, R. and Ahlawatc, S., 2013, “A New Approach to Detect and Extract Characters from Off-Line Printed Images and Text,” Procedia Computer Science, Vol. 17, pp. 434-440.
18. Eckart, U., Claudio, G., Eckhard, H. and Ian, A., 2013, “Data Mining and Visualization of Diagnostic Messages for Condition Monitoring,” Procedia CIRP, Vol. 720, pp. 225-228.
19. Ercan, G. and Cicekli, I., 2007, “Using Lexical Chains for Keyword Extraction,” Information Processing and Management, Vol. 43, pp. 1705-1714.
20. Hao, Z. and GuangLong, D., 2016, “Improvement of Distributed Clustering Algorithm Based on Min-cluster,” Optik, Vol. 127, pp. 3878-3881.
21. Hassanpoura, S. and Langlotz, C. P., 2015, “Information Extraction from Multi-institutional Radiology Reports,” Artificial Intelligence in Medicine, Vol. 66, pp. 29-39.
22. Heinicke, A., Liao, C., Walbaum, K., Bützler, J. and Schlick, C. M., 2015, “User Centered Evaluation of Interactive Data Visualization Forms for Document Management Systems,” Procedia Manufacturing, Vol. 3, pp. 5427-5434.
23. Imran, K. and Arun, K., 2013, “Knowledge Extraction from Survey Data Using Neural Networks,” Procedia Computer Science, Vol. 20, pp. 433-438..
24. Isabel, T., Jesús, S., Horacio, P. S. and José, M. C., 2016, “Parallel Implementation of Fuzzy Minimals Clustering Algorithm,” Expert Systems with Applications, Vol. 48, pp. 35-41.
25. Jennifer, B., Maria, M. V., Tobias, K., Thilo, S., Alexander, B., Michael, R. B. and Michael, J., 2015, “MARK-AGE Data Management: Cleaning, Exploration and Visualization of Data,” Mechanisms of Ageing and Development, Vol. 151, pp. 38-44.
26. Jun, O. and Shun, I., 2011, “Important Sentence Extraction Using Contextual Semantic Network,” Procedia - Social and Behavioral Sciences, Vol. 27, pp. 86-94.
27. Jun, S., Park, S. S. and Jang, D. S., 2014, “Document Clustering Method Using Dimension Reduction and Support Vector Clustering to Overcome Sparseness,” Expert Systems with Applications, Vol. 41, pp. 3204-3212.
28. Lee, L. H., Isa, D., Choo, W. O. and Chue, W. Y., 2012, “High Relevance Keyword Extraction Facility for Bayesian Text Classification on Different Domains of Varying Characteristic,” Expert Systems with Applications, Vol. 39, pp. 1147-1155.
29. Lehmann, S., Schwanecke, U. and Dorner, R., 2010, “Interactive Visualization for Opportunistic Exploration of Large Document Collections,” Information Systems, Vol. 35, pp. 260-269.
30. Liang, Z. and Chen, P., 2016, “Delta-density Based Clustering with a Divide-and-conquer Strategy: 3DC Clustering,” Pattern Recognition Letters, Vol. 73, pp. 52-59.
31. Luis, T., 2015, “Evaluation of Visualization of a Fuzzy-Based Recommender System for Political Community-Building,” Procedia Computer Science, Vol. 62, pp. 116-125.
32. Ma, Y., Wang, Y. and Jin, B., 2014, “A Three-phase Approach to Document Clustering Based on Topic Significance Degree,” Expert Systems with Applications, Vol. 41, pp. 8203-8210.
33. Maharani, W., Widyantoro, D. H. and Khodra, M. L., 2015, “Aspect Extraction in Customer Reviews Using Syntactic Pattern,” Procedia Computer Science, Vol. 59, pp. 244-253.
34. Moloshnikov, I. A., Sboev, A. G., Rybka, R. B. and Gydovskikh, D. V., 2015, “An Algorithm of Finding Thematically Similar Documents with Creating Context-semantic Graph Based on Probabilistic-entropy Approach,” Information Systems, Vol. 66, pp. 297-306.
35. Nagoria, M. and Joshib, M., 2013, “Methods and Algorithms for Extracting Values from MRS Graph for Brain Tumour Detection,” IERI Procedia, Vol. 4, pp. 331-336.
36. Nazemia, K., Burkhardta, D., Gintersc, E. and Kohlhammera, J., 2015, “Semantics Visualization – Definition, Approaches and Challenges,” Procedia Computer Science, Vol. 75, pp. 75-83.
37. Nicholas, D., Mor, N. and Funda, K.S., 2010, “Diamonds in the Rough: Social Media Visual Analytics for Journalistic Inquiry,” Analytics Science and Technology, Vol. 29, pp. 115-122.
38. Pak, A. and Paroubek, P., 2010, “Twitter as a Corpus for Sentiment Analysis and Opinion Mining,” Proceedings of the 7th Conference on International Language Resources and Evaluation, pp. 1320-1326.
39. Panapakidis, I. P., 2016, “Clustering Based Day-ahead and Hour-ahead Bus Load Forecasting Models,” Electrical Power and Energy Systems, Vol. 80, pp. 171-178.
40. Peng, M., Gao, B., Zhu, J., Huang, J., Yuan, M. and Li, F., 2016, “High Quality Information Extraction and Query-oriented Summarization for Automatic Query-reply in Social Network,” Expert SystemsWithApplications, Vol. 44, pp. 92-101.
41. Perla, V. E., Rosario, M. P., Sodel, V. R., Arturo, M. S. and Jezreel, M., 2016, “Knowledge Representation and Information Extraction for Analysing Architectural Patterns,” Science of Computer Programming, Vol. 121, pp. 176-189.
42. Preethi, P. G., Uma, V. and Kumar, A., 2015, “Temporal Sentiment Analysis and Causal Rules Extraction from Tweets for Event Prediction,” Procedia Computer Science, Vol. 48, pp. 84-89.
43. Punithaa, S. C. and Punithavalli, M., 2012, “Performance Evaluation of Semantic Based and Ontology Based Text Document Clustering Techniques,” Procedia Engineering, Vol. 30, pp. 100-106.
44. Saelan, A. and Purwarianti, A., 2013, “Generating Mind Map from Indonesian Text using Natural Language Processing Tools,” Procedia Technology, Vol. 11, pp. 1163-1169.
45. Schäfer, E., Heiskanen, J., Heikinheimo, V. and Pellikka, P., 2016, “Mapping Tree Species Diversity of a Tropical Montane Forest by Unsupervised Clustering of Airborne Imaging Spectroscopy Data,” Ecological Indicators, Vol. 64, pp. 49-58.
46. Shigemoria, T., Harbib, Z., Kawanakaa, H., Hicksb, Y., Setchib, R., Takasea, H. and Tsuruoka, S., 2015, “Feature Extraction Method for Clock Drawing Test,” Procedia Computer Science, Vol. 60, pp. 1707-1714.
47. Singh, V. K., Waila, P., Piryania, R. and Uddina, A., 2013, “Computational Exploration of Theme-based Blog Data using Topic Modeling, NERC and Sentiment Classifier Combine,” AASRI Procedia, Vol. 4, pp. 212-222.
48. Siqi, Z., Lin, Z., Jehan, W. and Venu, V., 2010, “Analyzing Twitter for Social TV: Sentiment Extraction for Sports,” FutureTV Workshop, Vol. 720, pp. 140-145.
49. Skalamera, J. and Hummer, R. A., 2016, “Educational Attainment and the Clustering of Health-related Behavior among U.S. Young Adults,” Preventive Medicine, Vol. 84, pp. 83-89.
50. Stoykovaa, V. and Petkova, E., 2012, “Automatic Extraction of Mathematical Terms for Precalculus,” Procedia Technology, Vol. 1, pp. 464-468.
51. Tarik, C., Chris, W. M., Robert, F., Diane, F. and Kwan, L. M., 2014, “Visualization Techniques for Categorical Analysis of Social Networkswith Multiple Edge Sets,” Social Networks, Vol. 37, pp. 56-64.
52. Tsai, F. S., 2011, “Dimensionality Reduction Techniques for Blog Visualization,” Expert Systems with Applications, Vol. 38, pp. 2766-2773.
53. Usui, S., Palmes, P., Nagata, K., Taniguchi, T. and Uedac, N., 2007, “Keyword Extraction, Ranking, and Organization for the Neuroinformatics Platform,” BioSystems, Vol. 88, pp. 334-342.
54. Wang, P., Xu, B., Xu, J., Tian, G., Liu, C. L. and Hao, H., 2016, “Semantic Expansion Using Word Embedding Clustering and Convolutional Neural Network for Improving Short Text Classification,” Neurocomputing, Vol. 174, pp. 806-814.
55. Xu, Y. M., Wang, C. D. and Lai, J. H., 2016, “Weighted Multi-view Clustering with Feature Selection,” Pattern Recognition, Vol. 53, pp. 25-35.
56. Yu, J., Li, C., Hong, W., Li, S. and Mei, D., 2015, “A New Approach of Rules Extraction for Word Sense Disambiguation by Features of Attributes,” Applied Soft Computing, Vol. 27, pp. 411-419.
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!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top