跳到主要內容

臺灣博碩士論文加值系統

(100.28.227.63) 您好!臺灣時間:2024/06/14 22:50
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:黃姿倚
研究生(外文):Huang,Tzu-Yi
論文名稱:以文字探勘與社會網絡分析圖應用於購物網站線上新聞分析
論文名稱(外文):Applying Text Mining and Social Network Graphs to Analyze Online news of Shopping Websites
指導教授:馬麗菁馬麗菁引用關係
指導教授(外文):Ma,Li-Ching
口試委員:帥嘉珍陳士杰馬麗菁
口試委員(外文):Shuai,Jia-JaneShi-Jay ChenMa,Li-Ching
口試日期:2019-06-17
學位類別:碩士
校院名稱:國立聯合大學
系所名稱:資訊管理學系碩士班
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2019
畢業學年度:107
語文別:中文
論文頁數:66
中文關鍵詞:文字探勘社會網絡分析圖購物網站線上新聞視覺化
外文關鍵詞:Text MiningSocial network graphsShopping sitesOnline newsVisualization
相關次數:
  • 被引用被引用:3
  • 點閱點閱:402
  • 評分評分:
  • 下載下載:19
  • 收藏至我的研究室書目清單書目收藏:2
隨著網路時代的發展,電子商務快速的成長,許多人會選擇在網路上購買商品,不僅方便也快速,只要能上網,無論身在何時何地,都能透過網路商店購買商品。近幾年來使用購物網站購買商品的人數逐年增加,而網路新聞與評論大大的影響了消費者是否購買此商品的決策,在如此競爭激烈的環境下,各個購物網站若能運用線上新聞中的關鍵字,分析其優缺點,並擬定相關策略,將有助於提升競爭優勢。
本研究希望透過文字探勘結合機器學習方法分析購網站相關的線上新聞文章內容,以台灣知名的三家購物網站:PChome、Yahoo購物、Momo購物網為例,找出三家購物網站品牌印象的高頻詞彙,並結合基因演算法與社會網絡圖概念,以圖形化的方式呈現關聯性,並加入情感分析方法分析各篇文章的正、負傾向。此外,本研究使用機器學習法分析購物網站之電子報文章內容以預測是否會影響股價漲跌,採用機器學習常用的決策樹、支援向量機、類神經網路三種方法進行分析與預測,可提供給投資者參考。本研究的分析結果可協助購物網站的管理者,了解該網站在一般大眾心中的印象與觀點,有利其調整經營策略進而提升競爭力。

With the development of the Internet era, e-commerce has grown rapidly. Many people choose to buy goods on the Internet. It is not only convenient but also fast. As long as customers can access the Internet, they can purchase goods through the online store no matter where they are. In recent years, the number of people using shopping websites to purchase goods has increased year by year, and online news and comments have greatly influenced consumers' decision to buy products. In such a highly competitive environment, a shopping website can use online news to analyze their strengths and weaknesses, and formulate relevant strategies to enhance competitive advantage.
This study takes three famous shopping websites in Taiwan, including PChome, Yahoo Shopping, and Momo shopping, as examples to analyze related online news by text mining techniques and social network graphs. Frequent terms of online news for each shopping site and relationships among three shopping sites are analyzed and compared. Then, the Genetic algorithm is employed to calculate the coordinate of each frequent term, and the concept of social network graph is used to display those relationships graphically. Sentimental analysis is adopted to analyze the positive and negative tendencies of each term. In addition, this study uses machine learning methods, including decision tree, support vector machine and neural network, to analyze the impact of the content of on-line news on the stock price, which can be provided to investors for reference. The analysis results can help the managers of the shopping website understand the impressions and opinions of the website from customers’ viewpoints, and help them to adjust their business strategies and enhance their competitiveness.

目錄 v
圖目錄 vii
表目錄 ix
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機及目的 3
第三節 研究流程 5
第二章 文獻探討 6
第一節 電子商務議題 6
第二節 文字探勘方法 7
第三節 情感分析方法 8
第四節 圖形化分析方法 8
2.4.1 Apriori 關聯規則分析方法(Apriori algorithm) 8
2.4.2 基因演算法(Genetic Algoritms;GA) 9
2.4.3 視覺化呈現方法(NodeXL) 9
第五節 資料預測方法 10
2.5.1 決策樹(Decision Tree;DT) 10
2.5.2 支援向量機(Support Vector Machine;SVM) 11
2.5.3 類神經網路(Artificial Neural Network;ANN) 12
第三章 研究方法 14
第一節 研究架構 14
第二節 資料蒐集與前置處理 16
第三節 文字探勘流程 17
第四節 圖形化分析 19
3.4.1 關聯規則分析 19
3.4.2 相似性分析 19
3.4.3 基因演算法 20
3.4.4 視覺化呈現 22
第五節 資料預測方法 23
3.5.1 決策樹 23
3.5.2 支援向量機 25
3.5.3 類神經網路 27
第六節 情感分析方法 28
第四章 研究結果與分析 30
第一節 摘要統計分析 30
第二節 關聯規則分析結果 31
第三節 圖形化呈現分析結果 33
第四節 預測準確率分析 45
第五章 結論 48
參考文獻 50


圖目錄
圖1 1:近年網購市場規模變化 1
圖1 2:本研究流程圖 5
圖2-1:文字探勘流程 7
圖2-2:決策樹示意圖 11
圖2-3:支援向量機示意圖 12
圖2-4:類神經網路示意圖 13
圖3-1:本研究架構圖 15
圖3-2:本研究移動視窗法概念 17
圖3-3:本研究文字探勘流程 18
圖3-4:由高頻詞彙座標所組成染色體示意圖 21
圖3-5:本研究基因演算法流程圖 21
圖3-6:本研究視覺化示意圖 22
圖3-7:本研究決策樹架構圖 25
圖3-8:支援向量機示意圖 26
圖3-9:本研究類神經網路示意圖 28
圖3-10:本研究情感分析架構圖 29
圖4-1:Momo購物網 35
圖4-2:PChome購物網 36
圖4-3:Yahoo購物網 37
圖4-4:三家購物網相似性 38
圖4-5:Momo購物網正向篇數 39
圖4-6:Momo購物網負向篇數 40
圖4-7:PChome購物網正向篇數 41
圖4-8:PChome購物網負向篇數 42
圖4-9:Yahoo購物網正向篇數 43


圖4-10:Yahoo購物網負向篇數 44
圖4-11:Momo購物網決策樹 47
圖4-12:PChome購物網決策樹 47


表目錄
表1-1:網際網路閱讀新聞的使用率 2
表4-1:三家購物網站前十名高頻詞彙 31
表4-2:三家購物網站股票價格的摘要統計表 31
表4-3:三家購物網站股票漲跌天數的摘要統計表 31
表4-4:Momo購物網高頻詞彙之間的關聯規則 32
表4-5:PChome購物網高頻詞彙之間的關聯規則 32
表4-6:Yahoo購物網高頻詞彙之間的關聯規則 32
表4-7:Momo購物網站新聞預測股票準確率 45
表4-8:PChome購物網站新聞預測股票準確率 46



1.王韋翔,2018。深度學習結合基因演算法在遊戲App的生命週期預測,元智大學,資訊管理學系研究所碩士論文。
2.匡裴暐,2017。運用商業與文字探勘於旅遊新聞電子報之研究-巨量資料架構,國立聯合大學資訊管理系研究所碩士論文。
3.江晏如,2017。以基因演算法搜尋台股除權息行情之最佳投資策略,元智大學資訊管理系研究所碩士論文。
4.吳宇達,2016。運用決策樹建議通識課程時段,中華大學資訊管理系研究所碩士論文。
5.吳季嫻,2018。文字探勘:應用於閱讀者分群與文章主動推薦系統,靜宜大學財務與計算數學系研究所碩士論文。
6.吳家榮,2016。在社群網路中應用文字探勘於交通事故分析之研究,國立台灣科技大學資訊管理系研究所碩士論文。
7.吳讓軒,2018。應用羅吉斯迴歸與類神經網路分析品牌個性對群眾募資專案成功的影響,國立中興大學行銷學系研究所碩士論文。
8.呂曜州,2018。響應式視覺化圖表應用於銷售管理-以通訊行為例,龍華科技大學資訊管理系研究所碩士論文。
9.李佳儒,2017。文字探勘結合網路電影評論建立R-Shiny視覺化系統,輔仁大學統計資訊學系研究所碩士論文。
10.沈昱成,2017。基於社群媒體情感分析歸納產品屬性優缺點,國立成功大學資訊工程研究所碩士論文。
11.官展履,2018。應用支援向量機於金融市場之預測分析—以臺灣加權指數期貨為例,長庚大學工商管理學系研究所碩士論文。
12.林呈旭,2017。以文字探勘探討社群媒體文件分類之研究─以線上遊戲為例,國立台北商業大學企業管理學系研究所碩士論文。
13.林育嫻,2015。運用基因演算法進行特徵選取建構罹患心臟病之資料探勘預測模型,國立雲林科技大學工業工程與管理系研究所碩士論文。
14.林佩儒、楊智傑,2017。遊戲音樂設計與玩家情感反應之研究,商業設計學報,第21期,154-173。
15.林紫潔,2015。時尚品牌電子商務之策略研究-以 PRAXES 為例,實踐大學服裝設計研究所碩士論文。
16.林瑞芬,2011。虛擬環境之品牌建立與衡量---以電子商務網站及電子報為例,國立臺灣科技大學企業管理研究所碩士論文。
17.邱建智,2013。使用單變量不確定關聯規則預測股價之研究,國立東華大學資訊管理學系研究所碩士論文。
18.柯冠廷,2018。以中文文本分析為主的線上社交訊息作者辨識,國立東華大學資訊管理系研究所碩士論文。
19.洪子晏,2014。競標模型於宅配物流配送時段管理之研究,國立東華大學運籌管理研究所碩士論文。
20.紀宗利、李樑堅、林意芸,2018。以文字探勘分析社群網站對於股價之影響-以蘋果概念股為例,全球商業經營管理學報,第10期,1~12。
21.范庭堅,2018。自動化數據分析及視覺化系統應用發展之研究,大同大學資訊經營系研究所碩士論文。
22.孫苙達,2018。機器學習決策樹應用於股價漲跌與總體經濟分析-以航運類股為例,國立中山大學財務管理學系研究所碩士論文。
23.秦聖昌,2013。支援向量機於乳癌預測之研究,國立中央大學資訊管理系研究所碩士論文。
24.張哲文,2017。實價登錄資料庫結合類神經網路推估房地產市價,國立中興大學土木工程學系研究所碩士論文。
25.張家綺,2018。大學生對電子商務消費行為之研究,國立嘉義大學企業管理學研究所碩士論文。
26.張偉德,2018。應用情感分析從媒體評論推測企業聲譽之研究,國立中央大學企業管理學系碩士在職專班碩士論文。
27.張皓為,2018。以文字探勘技術探討五星級飯店之品牌形象—以老爺酒店為例,真理大學觀光事業學系研究所碩士論文。
28.許家銘,2017。情感分析應用於社群媒體輿論分析之研究,國立中央大學,資訊管理系研究所碩士論文。
29.陳宜棻,2010。從展望理論觀點探討網路口碑對消費者購買意願之影響,電子商務學報,第12卷第3期,527~546。
30.陳冠吟,2017。決策樹、羅吉斯迴歸與類神經網路預測員工績效之比較研究,國立中央大學人力資源管理研究所碩士論文。
31.陳威任,2015。探勘效益關聯規則,銘傳大學資訊工程學系研究所碩士論文。
32.陳建輝、謝邦昌、張光昭,2016。應用文字探勘技術與深層學習方法預測台灣個股短期漲跌趨勢,Journal of Data Analysis,第11卷第6期,63~102。
33.陳煜文,2018。以委託單資料預測當日股價趨勢-LSTM類神經網路模型之應用,天主教輔仁大學金融與國際企業學系金融研究所碩士論文。
34.陶治中、簡睿志,2016。三元決策理論應用於社群媒體挖掘之情感分析-以UBER在臺營運話題為例,運輸計畫季刊,第45卷第4期,301~330。
35.賀安平,2016。從新聞文章預測股票走勢:使用SVM與LDA演算法,國立高雄應用科技大學資訊管理系研究所碩士論文。
36.黃俊豪,2017。以關聯規則探索網路論壇作者之行為,東吳大學資訊管理研究所碩士論文。
37.黃彥齊,2018。類神經網路應用於空氣品質預測與異常偵測之研究,國立交通大學環境工程研究所碩士論文。
38.黃隆昌,2013。應用類神經網路與基因演算法預測價格轉折點與交易決策,國立暨南國際大學經營管理學程碩士在職專班。
39.黃暐翔,2017。運用EIQ分析法提升物流中心之電子商務作業效率–以A公司為例,國立中央大學工業管理研究所碩士論文。
40.黃嚴弘、黃瓊儀,2018。企業形象、體驗價值、網站品質對滿意度與購買意願之影響-以台糖健康易購網為例,育達科大學報,第46期,17~54。
41.楊亨利、林青峰,2017。微網誌短句的情感指數分析-以新浪微博為例,中華民國資訊管理系報,第24卷第1期,1~28。
42.楊佳恩,2018。建築資訊模型雲端視覺化系統應用於智慧維運之研究,逢甲大學建築碩士在職專班碩士論文。
43.葉子維,2018。顧客消費行為分析及行動銀行使用預測-決策樹、隨機森林與判別分析之比較,國立台北大學統計系研究所碩士論文。
44.詹耀鴻,2012。從知覺價值與品牌忠誠度探討電子商務效益之影響,國立中山大學管理學院碩士在職專班碩士論文。
45.趙玉娟,2015。政治網路口碑的情感分析:語意關連性之觀點,國立交通大學傳播研究所碩士論文。
46.歐孟賢,2016。新聞標題對閱聽者影響之情感分析研究,國立台南大學數位科學系研究所碩士論文。
47.鄭彤怡,2017。類神經網路在行銷主軸與產品文案應用,國立臺灣師範大學管理學院高階經理人企業管理碩士在職專班碩士論文。
48.鄭凱帆,2017。商家與電子商務融資:以金融科技為本的商業模式,國立政治大學商學院經營管理全球台商班碩士論文。
49.鄭雅方,2013。台灣電子商務B2C物流策略之探討,國立台灣科技大學管理研究所碩士在職專班碩士論文。
50.鄭敬憲,2018。電子商務服務品質、平台品質、產品品質、網路安全品質對顧客滿意度、顧客忠誠度之影響–以美安台灣shop.com為例,樹德科技大學資訊管理系研究所碩士論文。
51.黎氏青霞,2018。影響電子商務知覺信任之因素-越南Lazada.vn之個案研究,龍華科技大學企業管理研究所碩士論文。
52.賴定官,2015。電子商務零售之品質、信任、滿意 度與知覺價值電子商務忠誠度影響之研究-以越南線上購物顧客為例,中國文化大學國際企業管理研究所碩士論文。
53.謝孟雄,2017。應用文字探勘於臺灣登革熱疾病新聞趨勢之關聯規則分析,國立中興大學資訊管理系研究所碩士論文。
54.鍾任明、李維平、吳澤民,2007。運用文字探勘於日內股價漲跌趨勢預測之研究,中華管理評論,第10卷第1期。
55.嚴梓豪,2016。以文字探勘分析品牌和代言人之品牌個性知覺定位,國立中興大學行銷學系研究所碩士論文。
56.資策會產業情報研究所,2017。網購市場變化,取自:https://mic.iii.org.tw/IndustryObservations_PressRelease02.aspx?sqno=464
57.台北媒體服務代理商協會,2017。網際網路閱讀新聞的使用率,取自:http://homepage.ntu.edu.tw/~wyang/dm2017/slides/MAA_2017_Media_Book.pdf
58.Agrawal, R., and Srikant, R., 1994.Fast algorithms for mining association rules, InProc. 20th int. conf. very large data bases, (1215), 487-499.
59.Breiman, L., Friedman, J. H., Olshen, R., and Stone, C. J., 1984. Classification and regression trees, CRC Press, United States.
60.Chen, Y. L., Chang, C. L., and Yeh C. S., 2017. Emotion classification of YouTube videos, Decision Support Systems, (101), 40-50.
61.Cortes, C., and Vapnik, V., 1995. Support Vector Machine, Machine learning, 20(3), 273-297.
62.Hu, C. C., and Li, H. L., 2017. Developing Navigation Graphs for TED Talks, Computers in Human Behavior, (66), 26-41.
63.Hao, X., Han, S., and Huang, H., 2017. An event-extraction approach for business analysis from online Chinese news, Electronic Commerce Research and Applications, (28), 244-260.
64.Hashimi, H., Hafez, A., and Mathkour, H., 2015. Selection criteria for text mining approaches, Computers in Human Behavior, (51), 729-733.
65.Holland, J. H., 1992. Adaptation in neural and artificial system, MIT Press Cambridge, MA, USA, 1992.
66.Jaccard, P., 1901. Étude Comparative de la Distribution Florale Dans une Portion des Alpes et des Jura, Bull Soc Vaudoise Sci Nat, (37), 547-579.
67.Jianfeng, X., Zhonghao, Z., Wei, L., and Quan, W., 2016. A Traffic Accident Causation Analysis Method Based on AHP - Apriori, Procedia Engineering, (137), 680-687.
68.Joachims, T., 1998. Making large-scale SVM learning practical, Technical Report, SFB 475: Komplexitätsreduktion in Multivariaten Datenstrukturen, Universität Dortmund.
69.Keshavarz, H., and Abadeh, M. S., 2017. ALGA: Adaptive lexicon learning using genetic algorithm for sentiment analysis of microblogs, Knowledge-Based Systems, 122, 1-16.
70.Liu, B., 2012. Sentiment Analysis and Opinion Mining, Morgan & Claypool Publishers.
71.Pang, B., and Lee, L., 2008. Opinion mining and sentiment analysis, Foundations and Trends in Information Retrieval, (2), 1–135.
72.Quinlan, J. R., 1979. Discovering rules by induction from large collections of examples, Edinburgh University, Scotland.
73.Quinlan, J. R., 2014. C4. 5: programs for machine learning, Elsevier.
74.Rawata, S., and Divekarb, R., 2014. Developing a Social Media Presence Strategy For an E-Commerce Business, Procedia Economics and Finance, (11), 626 – 634.
75.Vinodhini,G.,Chandrasekaran,R. M., 2016. A comparative performance evaluation of neural network based approach for sentiment classification of online reviews, Computer and Information Sciences, (28), 2–12.
76.Wesston, J., and Watkins, C., 1998. Multi-class support vector machines,Technical Report CSD-TR-98-04, Department of Computer Science, Royal Holloway, University of London.
77.Yadav, M., and Rahman, Z., 2017. Measuring consumer perception of social media marketing activities in e-commerce industry: Scale development & validation, Telematics and Informatics, (34), 1294–1307.
78.Yoon, J., Jeong, B., and Lee, J. M., 2017. Social media mining for product planning: A product opportunity mining approach based on topic modeling and sentiment analysis, International Journal of Information Management, 2017.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊