本研究提出了一個半監督式情感分析方法，分為兩階段，第一階段採用非監督式情感分析技術，透過SO-PMI計算詞相似度，並生成有主題的情緒詞庫，基於主題情緒詞庫計算情感分數；第二階段分析採用監督式分析中的支持向量機(SVM)做情感分析。本研究提出的新方法可自動找出第一階段的最佳門檻值，以篩選需要進入第二階段分析之資料。
　　除了根據不同的主題資料生成專屬於此主題的情緒詞庫之外，本研究也考慮了分析錯誤以及人工標記所造成的成本損失。其他分析者在未來做相似運算時，可以根據本研究的損失成本比例來判斷是否適合使用半監督式情感分析方法。

In this paper, we presents a semi-supervised sentiment analysis method, is divided into two stages. The first stage uses the unsupervised sentiment analysis approach that adopts a SO-PMI technique to build the emotion lexicon for different topics. And calculates the emotion score based on the topic emotion lexicon. The second stage analysis uses the supervised sentiment analysis approach that adopts the support vector machine(SVM). The new method proposed in this paper can automatically find the best threshold value of the first stage to select the data that needs to be entered into the second stage analysis.
  This study also considered the cost loss caused by the analysis error and manual marking. When other analysts do similar operations in the future, it is possible to judge whether the half-supervised affective analysis method is suitable according to the proportion of loss cost in this study.

目錄
論文提要	I
Abstract	II
目錄	III
圖目錄	V
表目錄	VI
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
第三節、論文架構	3
第四節、研究流程	3
第二章、文獻探討	5
第一節、中文斷詞處理	5
2.1.1　CKIP中文斷詞系統	5
2.1.2　R語言中的中文斷詞系統	6
第二節、詞彙極性	7
第三節、情感分析	10
第三章、研究方法	13
第一節、方法與架構	13
第二節、評估指標	16
第三節、半監督式情感分析介紹	18
3.3.1 第一階段 Part I：非監督式情感分析	18
3.3.2 第一階段Part II：找出最佳門檻值	19
3.3.3 第二階段：監督式情感分析	22
第四章、實例分析	23
第一節、資料描述及預處理	23
4.1.1 資料描述	23
4.1.2資料預處理	23
第二節、第一階段分析結果	24
第三節、第二階段分析結果	26
4.3.1 Book資料分析	26
4.3.2 Hotel資料分析	31
4.3.3 Notebook資料分析	36
第四節、小結	41
第五章、結論	42
第一節、總結	42
第二節、未來研究發展	43
參考文獻	44
附錄	46

圖目錄
圖 1. 4. 1　研究流程圖	4
圖 3. 1. 1　非監督式情感分析步驟	15
圖 3. 2. 1 cost值分解圖	17
圖 3. 3. 1 情感分數落於門檻值內示意圖	21
圖 4. 3. 1 Book資料當x:y=1:1時之cost值	28
圖 4. 3. 2 Book資料當x:y=1:2時之cost值	29
圖 4. 3. 3 Book資料當x:y=2:1時之cost值	30
圖 4. 3. 4 Hotel資料當x:y=1:1時之cost值	33
圖 4. 3. 5 Hotel資料當x:y=1:2時之cost值	34
圖 4. 3. 6 Hotel資料當x:y=2:1時之cost值	35
圖 4. 3. 7 Notebook資料當x:y=1:1時之cost值	38
圖 4. 3. 8 Notebook資料當x:y=1:2時之cost值	39
圖 4. 3. 9 Notebook資料當x:y=2:1時之cost值	40

表目錄
表 4. 1. 1　資料集描述	23
表 4. 2. 1　新生成的主題情緒詞庫描述	24
表 4. 3. 1 Book資料在不同成本以及n下得出之cost值	27
表 4. 3. 2 Hotel資料在不同成本以及n下得出之cost值	32
表 4. 3. 3 Notebook資料在不同成本以及n下得出之cost值 37

參考文獻
英文文獻：
1.　B.Liu (2012), Sentiment Analysis and Opinion Mining, Synthesis Lectures on Human Language Technotogies, 5, 1-167
2.　Church, Kenneth Ward, and Patrick Hands (1990), Word association norms, Mutual information, and lexicography. Computational linguistics, 16.1, 22-29.
3.　Cortes, C. and Vapnik, V. (1995), Support-vector networks. Machine Learning, 20, 273-297.
4.　Levene, Howard. (1960), Robust tests for equality of variances, Contributions to probability and statistics: Essays in honor of Harold Hotelling, 2, 278-292.
5.　Turney, Peter, and Michael L. Littman. (2002), Unsupervised learning of semantic orientation from a hundred-billion-word corpus, Technical Report ERB-1094.
6.　ZQ. Wang, X. Sun, DX. Zhang, and X. Li. (2006) , An Optimal SVM-Based Text Classification Algorithm, 2006 International Conference on Machine Learning and Cybernetics,1378-1381.

中文文獻：
7.　陳立(2010)，「中文情感語意自動分類之研究」，臺灣師範大學資訊工程研究所學位論文。
8.　陳昱年(2013)，「電影評論中情緒詞彙之極性分析」臺灣師範大學資訊工程研究所學位論文。
9.　顏安孜(2016)，「中文部落格文章之相關性擷取與意見傾向分析之研究」，臺灣師範大學資訊工程研究所學位論文。
10.　劉炅函(2017)，「中文情感分析應用於PTT之研究」，淡江大學統計學系碩士班學位論文。
11. 吳登揚(2017)，「基於不同主題的中文情感分析技術比較」，淡江大學統計學系碩士班學位論文。
12.　陳景祥(2010)，R軟體：應用統計方法，台北：台灣東華。