配電ptt的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

應用情感分析技術於電影評論分類與評分系統 — 以Yahoo!奇摩電影為例

為了解決配電ptt的問題，作者蔡廷儀 這樣論述：

在近十年內，網際網路迅速的竄起，與80年代當時的web2.0尚未普及使用相比，人與人之間的交往模式從寫信給特定想發送的對象，至今慢慢地轉為傾向於自願性的發表以及分享個人言論於公開的網路平台或是論壇上，例如：消費者對於產品後的使用心得、經驗分享，或是針對影劇、新聞媒體的觀後評論與意見等等。往後，也隨著行動裝置越來越便利普及，當人們在無法做決定、有選擇性障礙時，往往會參考有經驗的人或是過去消費者們的想法。透過網路搜尋關鍵字，取得來自各種論壇、公開評論網站、新聞媒體以及個人部落格等等的資訊。例如：台大批踢踢實業坊、痞客邦等屬於提供各方面領域訊息的網站。如果想針對不同領域進行資訊的查詢，像是想了解電

影相關的的訊息的話，例如：Yahoo!奇摩電影、IMDB這種評論網站提供的則是針對電影相關的影評、新聞文章、電影簡介等訊息給使用者。然而網際網路的盛行也進而引進企業界人士的投入，帶來有用的商業智慧，並提供有效的行銷決策。另外，對於網路使用者來說也能獲取來自四面八方的主觀評論意見，作為消費前或是觀看電影前的參考依據。有鑒於此，本論文針對Yahoo!奇摩電影的短篇評論，設計一個專屬電影的意見情緒分類器與評論評分系統，分成訓練模型和測試集合驗證兩部分。在訓練集合部分，包含資料處理、人工擷取意見詞和屬性詞、建立相關詞庫、計算意見詞分數以及訓練模型的建立。首先，我們將訓練集合資料利用CKIP斷詞系統進行

斷詞後，以人工標記的方式，蒐集帶有明顯情緒的意見詞以及電影相關的屬性詞，來建立情緒特徵詞庫，再針對訓練集評論中具有加強和否定語義的詞彙建立程度詞庫以及否定詞庫。接著，透過事前建立的意見詞庫、程度詞庫、否定詞庫，定義五種情緒特徵，分別為「極度正向」、「正向」、「中立」、「負向」、「極度負向」，針對訓練集合的評論進行特徵向量的擷取，再轉為特徵向量，透過非監督式的機器學習法SVM（Support Vector Machine），訓練出一個情緒分類模型。在測試集合驗證部分，利用訓練好的支持向量機，將評論進行正向情緒和負向情緒的分類，再將分類結果與評論網站上提供的星等分數做比較，計算出整體的正確率為85

.55%以及AUC為92.55%，代表此系統有不錯的鑑別度和可信度。最後根據評論內容自動化對產生的電影評分，並且搭配電影的四大屬性類別的得分狀況，來提供給使用者在看電影前最直接且可信的參考指標。