手機遊戲已成為民眾休閒娛樂中不可或缺的一部分，許多人下載遊戲時可能會參考Google Play或App Store上的評論。但在這些評論中，有些遊戲為了衝高排行，可能會用假評論來灌水。而遊戲虛擬社群-巴哈姆特遊戲資訊討論區為網友分享心得的平台，非專家或遊戲公司所編寫。本研究抓取巴哈姆特的文章資料，找出含有評價的文章並給予分數，最後將遊戲排行做推薦。
    本研究採用Nunamaker(1991)等人所提出之系統發展研究法，旨在分析網路評論，整理出網友對於遊戲的評價，最後算出遊戲排名做推薦，讓使用者更容易瞭解這款遊戲的真正使用評價，且使用者的聲音也可以傳達給遊戲開發者，作為改進的考量。
    本研究的實驗對象為「七騎士」、「列王的紛爭(Clash of Kings)」、「神魔之塔」三個Google Play營收排行榜前六名的遊戲，實驗資料集來自巴哈姆特的文章資料。文章蒐集範圍以討論區的子板塊「全部主題」、「心情雜談」。將含有評價的文章給予分數並人工驗證，三款遊戲準確率分別為64.5%、67.4%、73.3%。最後算出每個遊戲的平均分數做排行，以問卷的方式詢問本研究與Google Play之排行哪個較符合心目中的順序，有54.1%的人認為本研究較符合心目中的遊戲順序，且對於此推薦系統的適合程度有75%覺得適合，故透過蒐集巴哈姆特評價所做出的排行較遊戲下載平台的排行貼近使用者。

Mobile games have already become one of the indispensable part of everyone’s life.Lots of people choose to or not to download the game basing on the comments other gamer gave it on Google Play or App Store . But for the purpose of better overall rank , some game producers use fake comments to cover the actual ones . While the 巴哈姆特 game forum provides a place for gamers to exchange their gaming experiences , not written by experts or game producers . The research selects some of the articles and information on the forum , finds out the articles that contains ratings and giving them points , finally sorts the games as a recommendation.
    This research uses systems development as a methodology in information systems (is) proposed by Nunamaker(1991) and a few people , aiming to analyzing internet comments and sorting out the comments given by gamers. Finally we calculate the information and list the game rankings according to our calculation , making users understand more about the true ratings of the game , also , the users’ comments can be conveyed to the game producers as standards of improvement .
    The objects of our study included 3 games: 七騎士,列王的紛爭,神魔之塔 which were all the top 6 games on Google Play revenue ranking list . The research information was collected from the articles on 巴哈姆特, and the articles were mainly in the sub-boards called “all articles” and “easy talking” in the forum. We found out the articles that contained ratings and gave them points ,also , we verified them manually. The accuracy rate were 64.5%, 67.4%, 73.3% . Then we calculated and came out with a game ranking according to their average points . We made survey questionnaires to find out which ranking bore more resemblance to their own ranking. The results showed that 54.1% of the respondents thought our research described better , also , the suitability of the recommending system reached 75% . As a conclusion , the comments and ratings collected from 巴哈姆特 are more corresponding than those collected from Google Play and App Store.

目錄
 第一章　緒論	1
1.1	研究背景與動機	1
1.2	研究目的	3
 第二章　文獻探討	5
2.1	推薦系統	5
2.1.1	內容導向式推薦	5
2.1.2	協同式推薦	6
2.1.3	混合式	7
2.2	網路評價	10
2.3	意見單元	11
2.3.1	意見單元定義	11
2.3.2	擷取意見單元	13
2.3.3	意見單元極性分析	15
2.3.4	意見單元強度分析	16
 第三章　研究方法	18
 第四章　雛型系統分析與建置	20
4.1	資料蒐集模組	21
4.2	預處理模組	23
4.2.1	詞庫建置	23
4.2.2	斷詞系統	24
4.3	意見分析模組	24
4.3.1	意見單元蒐集	25
4.3.2	意見單元分數	26
4.3.3	輿情推薦	27
 第五章　實驗設計與結果分析	29
5.1	實驗步驟	29
5.2	實驗資料集	30
5.3	系統評估方式	30
5.3.1	F-Measure評估方法	31
5.3.2	Kappa值一致性分析	33
5.4	系統評估結果	35
5.4.1	雛型系統評估	35
5.4.2	Kappa一致性分析	37
5.5	問卷調查結果	38
 第六章　結論與未來展望	42
6.1	結論	42
6.2	研究貢獻	43
6.3	研究限制與未來展望	44
參考文獻	45

表目錄
表 2-1：Google Play排名機制	8
表 2-2：情感詞庫詞彙數量統計表	16
表 4-1：程度詞級距表	27
表 4-2：分數對應星等表	27
表 5-1：評估程度級別指標說明	31
表 5-2：系統等級分數判斷結果聯立表	32
表 5-3：Precision與Recall說明表	33
表 5-4：神魔之塔實驗評估結果	35
表 5-5：七騎士實驗評估結果	35
表 5-6：烈王的紛爭實驗評估結果	36
表 5-7：問卷分析統計資料	38
表 5-8：系統感受程度調查結果	39
表 5-9：系統意見反饋結果列表	41

圖目錄
圖 2-1：App Store排行演算法	8
圖 2-2：假評論對於每個類型APP所佔的比率	9
圖 2-3：程度級別間距分配	17
圖 3-1：系統發展研究流程圖	19
圖 4-1：雛型系統架構圖	21
圖 4-2：巴哈姆特文章範例圗	22
圖 4-3：意見單元蒐集功能詳細流程圖	25
圖 4-4：含有意見單元的評論及其對應的分數和星等	28
圖 5-1：Google Play與本研究之排行比較	39
圖 5-2：本研究之推薦系統總適合程度	41

參考文獻
[1]	凌伊亭. (2013). 口碑對消費者的績效評估之影響-以免費行動遊戲為例. 
[2]	吳志宏. (2004). 以隱性回饋為基礎的自動化推薦機制. 
[3]	孫瑛澤, 陳建良, 劉峻杰, 劉昭麟, & 蘇豐文. (2010). 中文短句之情緒分類. 
[4]	張雅喬. (2015). 利用使用者評論幫助協同過濾的評分預測. 臺灣大學資訊工程學研究所學位論文. 
[5]	施喬心. (2014). 探討 App 的內外部線索及產品類型對下載意願的影響. 
[6]	李孟潔. (2009). 利用機器學習作法之中文意見分析. 
[7]	林祐任. (2015). 未來性資訊檢索系統基於網路論壇之研究. 淡江大學資訊管理學系碩士班學位論文. 
[8]	楊盛帆. (2009). 以整合式規則來做網路論壇上的 3c 產品口碑分析. 
[9]	簡之文. (2012). 部落格文章情感分析之研究. 淡江大學資訊管理學系碩士班學位論文. 
[10]	蘇柏全, 陳正忠, & 楊彥甫. (2015). 遊戲類 App: 下載因素, 下載機率, 市場佔有率, 以及 google 與 apple 平台間掠奪率. Electronic Commerce Studies, 13(1), 113-140. 
[11]	邱鴻達, & 梁婷. (2010). 意見探勘在中文電影評論之應用, 
[12]	陳維君. (2013). 網路意見分析與意見調查比較之研究: 以公共議題為例. 
[13]	黃心宜. (2014). 基於影響力分析之意見單元評價的研究. 淡江大學資訊管理學系碩士班學位論文.
[14]	羅健銘. (2001). 協同過濾於網站推薦之研究. 臺北科技大學商業自動化與管理研究所碩士論文.
[15]	李宜樺, & 黃純敏. (2006). 改良式階層聚合演算法之研究. 國立雲林科技大學資訊管理系碩士班.
[16]	王崇軒. (2011). 探討 Facebook, 網路論壇, 官方討論區不同社群成員在虛擬品牌社群互動關係之比較.
[17]	崔懷芝. (2014). 量表信度的測量：Kappa統計量之簡介, 2月, http://biostatdept.cmu.edu.tw/doc/epaper_c/2.pdf
[18]	Huang, Y. (2015). 以遊戲影片為例探討藉由使用者認知之相似因素改善手機遊戲推薦系統. 臺灣大學資訊工程學研究所學位論文
[19]	殷健翔. (2011). 網路口碑對線上應用程式的購買意圖之影響-以Apple app store 為例. 國立中央大學資訊管理研究所學位論文
[20]	鍾鳴遠. (2014). 以理性行為理論探討使用者對於 App 平台的信任, 網路口碑與品牌忠誠度對於 app 使用意圖之影響. 成功大學工程管理碩士在職專班學位論文
[21]	Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. Knowledge and Data Engineering, IEEE Transactions on, 17(6), pp. 734-749. 
[22]	Dhillon, N. (1995). Achieving Effective Personalization and Customization using Collaborative Filtering, 
[23]	Ding, X., Liu, B., & Yu, P. S. (2008). A holistic lexicon-based approach to opinion mining. Paper presented at the Proceedings of the 2008 International Conference on Web Search and Data Mining, pp. 231-240. 
[24]	Hu, M., & Liu, B. (2004). Mining and summarizing customer reviews. Paper presented at the Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 168-177. 
[25]	Hu, M., & Liu, B. (2004). Mining opinion features in customer reviews. Paper presented at the Aaai, , 4. (4) pp. 755-760. 
[26]	Liu, B., Hu, M., & Cheng, J. (2005). Opinion observer: Analyzing and comparing opinions on the web. Paper presented at the Proceedings of the 14th International Conference on World Wide Web, pp. 342-351. 
[27]	Nunamaker Jr, J. F., Chen, M., & Purdin, T. D. (1990). Systems development in information systems research. Journal of Management Information Systems, 7(3), pp. 89-106. 
[28]	Schafer, J. B., Konstan, J., & Riedl, J. (1999). Recommender systems in e-commerce. Paper presented at the Proceedings of the 1st ACM Conference on Electronic Commerce, pp. 158-166. 
[29]	Wang, J., & Lee, C. (2011). Unsupervised opinion phrase extraction and rating in chinese blog posts. Paper presented at the Privacy, Security, Risk and Trust (PASSAT) and 2011 IEEE Third Inernational Conference on Social Computing (SocialCom), 2011 IEEE Third International Conference on, pp. 820-823.
[30]	Herlocker, J. L., Konstan, J. A., & Riedl, J. (2000). Explaining collaborative filtering recommendations. In Proceedings of the 2000 ACM conference on Computer supported cooperative work (pp. 241-250). ACM.
[31]	Delone, W. H., & McLean, E. R. (2003). The DeLone and McLean model of information systems success: A ten-year update. Journal of Management Information Systems, 19(4), pp. 9-30.
[32]	Herr, P. M., Kardes, F. R., & Kim, J. (1991). Effects of word-of-mouth and product-attribute information on persuasion: An accessibility-diagnosticity perspective. Journal of consumer research, 17(4), 454-462.
[33]	Hoffman, D. L., & Novak, T. P. (1996). Marketing in hypermedia computer-mediated environments: Conceptual foundations. The Journal of Marketing, 50-68.
[34]	Gelb, B. D., & Sundaram, S. (2002). Adapting to “word of mouse”. Business Horizons, 45(4), 21-25.
[35]	Hennig‐Thurau, T., Gwinner, K. P., Walsh, G., & Gremler, D. D. (2004). Electronic word‐of‐mouth via consumer‐opinion platforms: What motivates consumers to articulate themselves on the Internet?. Journal of interactive marketing, 18(1), 38-52.
[36]	Morinaga, S., Yamanishi, K., Tateishi, K., & Fukushima, T. (2002). Mining product reputations on the web. In Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 341-349). ACM.
[37]	Kobayashi, N., Inui, K., Matsumoto, Y., Tateishi, K., & Fukushima, T. (2004). Collecting evaluative expressions for opinion extraction. In International Conference on Natural Language Processing (pp. 596-605). Springer Berlin Heidelberg.
[38]	Ku, L. W., & Chen, H. H. (2007). Mining opinions from the Web: Beyond relevance retrieval. Journal of the American Society for Information Science and Technology, 58(12), 1838-1850.