跳到主要內容

臺灣博碩士論文加值系統

(100.28.2.72) 您好!臺灣時間:2024/06/22 19:53
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:施博剴
研究生(外文):SHI, BO-KAI
論文名稱:BERT模型中文文本情感分析之研究-以Steam平台遊戲評論為例
論文名稱(外文):A Study on BERT Model Chinese Text Sentiment Analysis- Take a Game Review on Steam Platform as an Example
指導教授:黃錦法黃錦法引用關係
指導教授(外文):HUANG, CHING-FA
口試委員:許中川孫培然
口試委員(外文):HSU, CHUNG-CHIANSUN, PEI-RAN
口試日期:2023-06-13
學位類別:碩士
校院名稱:國立雲林科技大學
系所名稱:資訊管理系
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:2023
畢業學年度:111
語文別:中文
論文頁數:46
中文關鍵詞:BERT情感分析遊戲評論中文文本深度學習
外文關鍵詞:BERTSentiment analysisGame reviewsChinese textDeep learning
相關次數:
  • 被引用被引用:0
  • 點閱點閱:755
  • 評分評分:
  • 下載下載:177
  • 收藏至我的研究室書目清單書目收藏:0
Google提出了一個嶄新且強大的新語言模型BERT,為自然語言處理(NLP)領域提供了重大貢獻,已有眾多自然語言研究使用BERT取得了突破,然而在中文研究中,BERT是否也能有所績效還有待確認。近年來,隨著COVID-19疫情的影響,遊戲產業迎來了蓬勃的發展,並使遊戲業者對玩家的反饋更加重視。文本分類是BERT的一個重要的研究領域,本研究針對遊戲平台使用者評論做情感分析(情感分類),希望對使用者、遊戲平台的經營者與遊戲的開發者能有所幫助。
本研究採用了Google發表的中文預訓練BERT模型,與長短期記憶(LSTM)、雙向長短期記憶(BLSTM)以及注意力機制(Attention)等方法進行情感分析(情感分類),並且比較各種方法的績效。實驗結果顯示,BERT模型應用的正確率超越了LSTM、BLSTM以及BLSTM+Attention等深度學習模型,並且在BERT模型與其他模型的組合下,BERT+LSTM得到了最佳的正確率並超越了BERT,而其他組合模型的正確率均低於BERT。

With the impact of the COVID-19 pandemic, the gaming industry has experienced vigorous growth and game developers have placed increased importance on player feedback. At the same time, Google introduced BERT, a groundbreaking advancement in the field of natural language processing. In this study, BERT was utilized to experiment with game player reviews on the Steam platform, aiming to determine if BERT’s effectiveness in comment classification in Chinese could be similarly improved as in English.
The study employed the Chinese pre-trained BERT model released by Google and compared it with methods such as Long Short-Term Memory (LSTM), Bidirectional Long Short-Term Memory (BLSTM), and Attention Mechanism. The results demonstrated that the BERT model achieved higher accuracy than other methods with just a simple fine-tuning process. BERT achieved an accuracy of 85.82% with only two training epochs. Furthermore, model combinations were explored, and the combination of BERT with LSTM achieved the best results, reaching an accuracy of 86.04% in two training epochs, outperforming other combinations.

摘要 I
Abstract II
目錄 III
表目錄 IV
圖目錄 V
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 2
第二章 文獻探討 3
第一節 情感分析 3
第二節 BERT 3
第三節 機器學習 5
第四節 深度學習 6
第五節 評估指標 8
第六節 相關研究 9
第三章 研究方法 11
第一節 研究架構 11
第二節 資料蒐集 12
第三節 資料前處理 16
第四節 模型訓練 17
第五節 情感分類結果比較 27
第四章 系統實驗 28
第一節 實驗環境 28
第二節 實驗資料 28
第三節 實驗方法 29
第四節 實驗結果 29
第五章 結論 35
第一節 研究貢獻 35
第二節 研究限制 35
第三節 未來展望 37
參考文獻 38
中文部分 38
英文部分 38

中文部分
呂佳蓉、邱國強(2012)。中國遊戲禁令史上最嚴 未成年人暑假僅能五六日各玩1小時。中央通訊社。https://www.cna.com.tw/news/acn/202207110218.aspx
李忠憲(2022)。運用BERT於稅制改革輿情分析,探討評論品質之情感分析─以房地合一稅為例〔未出版之碩士論文〕。國立臺北科技大學。https://hdl.handle.net/11296/bnedey
俞敬松、魏一與張永偉(2019)。基於 BERT 的古文斷句研究與應用。中文信息學報,33(11),57-63。
趙暘、張智雄、劉歡與丁良萍(2020)。基於 BERT 模型的中文醫學文獻分類研究。數據分析與知識發現,4(8),41-49。
賴思宇(2022)。以BERT模型為基礎之情緒分析研究-以Amazon評論為例〔未出版之碩士論文〕。國立臺北大學。https://hdl.handle.net/11296/8kg3tj
鍾明諺(2020)。T-BERT:臺灣語言模型-以臺灣在地語言預訓練BERT模型〔未出版之碩士論文〕。國立臺灣大學。https://hdl.handle.net/11296/aqxj79
蘇志昇(2021)。結合Google BERT語義特徵於LSTM遞迴神經網路建模之美食店家評論情緒分析〔未出版之碩士論文〕。亞洲大學。https://hdl.handle.net/11296/r2vp38
飛鳥涼不涼(2021)台灣遊戲產業分析與行銷洞察. https://drive.google.com/file/d/1Oi9riScW3BBuHG18tWsqQbcf1P7z-tNd/view
英文部分
Ahmad, M., Aftab, S., & Ali, L. (2017). Sentiment analysis of tweets using SVM. International Journal of Computer Applications, 177(5), 25-29.
Ajzen, I. (1991). The theory of planned behavior. ORGANIZATIONAL BEHAVIOR AND HUMAN DECISION PROCESSES, 50(2), 179-211.
Balaji, T. K., Annavarapu, C. S. R., & Bablani, A. (2021). Machine learning algorithms for social media analysis: A survey. Computer Science Review, 40, Article 100395.
Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
Fakazli, A. E. (2020). The effect of COVID-19 pandemic on digital games and eSports. International Journal of Sport Culture and Science, 8(4), 335-344.
González-Carvajal, S., & Garrido-Merchán, E. C. (2020). Comparing BERT against traditional machine learning text classification. arXiv preprint arXiv:2005.13012.
He, Y., Zhu, Z., Zhang, Y., Chen, Q., & Caverlee, J. (2020). Infusing disease knowledge into BERT for health question answering, medical inference and disease name recognition. arXiv preprint arXiv:2010.03746.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780.
Lackermair, G., Kailer, D., & Kanmaz, K. (2013). Importance of online product reviews from a consumer’s perspective. Advances in Economics and Business, 1(1), 1-5.
Leo, M., Sharma, S., & Maddulety, K. (2019). Machine Learning in Banking Risk Management: A Literature Review. Risks, 7(1), 29. https://doi.org/https://doi.org/10.3390/risks7010029
Li, D., & Qian, J. (2016). Text sentiment analysis based on long short-term memory. 2016 First IEEE International Conference on Computer Communication and the Internet (ICCCI),
Liu, B. (2012). Sentiment analysis and opinion mining. Synthesis lectures on human language technologies, 5(1), 1-167.
Liu, Y., Zhou, Y., Wen, S., & Tang, C. (2014). A strategy on selecting performance metrics for classifier evaluation. International Journal of Mobile Computing and Multimedia Communications (IJMCMC), 6(4), 20-35.
Luong, M.-T., Pham, H., & Manning, C. D. (2015). Effective Approaches to Attention-based Neural Machine Translation. arXiv preprint arXiv:1508.04025.
Mitchell, T. M. (1997). Machine Learning (1st ed.). McGraw-Hill Education.
Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and Trends® in information retrieval, 2(1–2), 1-135.
Rausch, T. M., Derra, N. D., & Wolf, L. (2022). Predicting online shopping cart abandonment with machine learning approaches. International Journal of Market Research, 64(1), 89-112. https://doi.org/10.1177/1470785320972526
Schuster, M., & Paliwal, K. K. (1997). Bidirectional recurrent neural networks. IEEE transactions on Signal Processing, 45(11), 2673-2681.
Xu, H., Liu, B., Shu, L., & Yu, P. S. (2019). BERT post-training for review reading comprehension and aspect-based sentiment analysis. arXiv preprint arXiv:1904.02232.
Zhu, S., Zhuang, Y., Lee, P., Li, J. C. M., & Wong, P. W. (2021). Leisure and problem gaming behaviors among children and adolescents during school closures caused by COVID-19 in Hong Kong: quantitative cross-sectional survey study. JMIR serious games, 9(2), e26808.

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