PolyU Library的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

情緒分析於網路餐廳評論之應用

為了解決PolyU Library的問題，作者謝宗翰 這樣論述：

網際網路的蓬勃發展，促進了眾多線上評論網站的興起，這使得人們進行決策前的行為，從以往諮詢身旁親朋好友之間的建議，逐漸地轉變為透過瀏覽網站上的評論意見後，再進行決定。如今，情緒分析於各評論領域已經成為了一個熱門的議題，但卻鮮少探討關於「食」方面的應用，並進行餐廳專屬情感詞庫的建立。對於傳統的餐廳業者，若想要調查消費者的用餐滿意度，經常會選擇發放顧客意見卡的方式，讓消費者進行滿意度的填寫；但這不僅需要支付額外的紙張印刷成本，也經常需要使用到大量的人力資源來進行問卷的分析。且消費者也可能會礙於當下的各種環境因素，有時候也未必能即時給予正確的回饋，這些因素都將造成業者在問卷分析上的瓶頸與障礙。

因此，業者若能善用評論網站來進行評論的蒐集，並運用情緒分析技術進行評論的分析，不僅能夠取得豐富且多樣化的評論語料；還能節省下大量的人力分析成本，並且更精準的分析出顧客的用餐情緒與消費體驗。 然而，本研究鑒於目前餐廳領域的情感詞庫較為鮮少，為建構餐廳專屬情感詞庫與探討情緒分析於網路餐廳評論之應用，實驗以網路爬蟲(Web Crawler)技術，蒐集知名評論網站「iPeen愛評網」之台灣地區餐廳評論作為實驗語料，利用ANTUSD (Augmented NTU Sentiment Dictionary)情感詞庫與改良式PMI(Point-wise Mutual Information)方法，建立餐廳

領域情感詞庫並計算各情感詞彙的情緒分數。 研究以Delta TFIDF (Term Frequency Inverse Document Frequency)進行評論關鍵字的計算與情感詞庫的比對後發現，餐廳消費者評論多集中於「口感」、「環境」、「服務」、「價位」、「健康」、「知名度」六種層面的探討。研究最後依據評論的特性，設計了多種不同的實驗方法，實驗發現使用本次研究建立之餐廳情感詞庫後，可明顯提升評論情緒的分類準確率。而將評論情緒區分為正向與負向情緒時，搭配機器學習演算法SVM (Support Vector Machine)進行分類，最高可達到78%的分類準確率。