由於在這資訊爆炸的時代中，網路上充斥著非常多的資訊，使用者需要瀏覽非常多的評論進行比較，最後再做出相關決策，因此許多學者開始研究相關資訊過濾的機制，而推薦系統就是屬於資訊過濾的一種，推薦系統可從大量的資訊中，可以依據使用者的年齡、性別或是需求，系統會記錄相關資訊並進行過濾，進而將資訊或是商品推薦給使用者，目前常見的推薦系統有內容過濾式推薦（Content-Based Filtering）、協同過濾式（Collaborative-Filtering）以及混合過濾式（Hybrid-Based Filtering）。
目前一般電影網站僅提供電影整體星等評價、預告片、導演等相關電影資訊，而民眾在觀賞電影前除了會參考整體的星等評價外，還會參考網路上他人的評論，才會決定是否觀賞電影，為了減少使用者在搜尋過程中付出額外時間成本，本研究提出一個結合意見探勘的電影推薦系統（以下簡稱結合意見探勘型），於系統背景中，蒐集使用者記錄，透過自動化、意見單元定義擷取等步驟收集IMDb網友的評論，對電影各個面向進行網路輿情分析，給予每部電影權重分數並進行推薦，最後將結合意見探勘型與傳統型電影推薦系統（以下簡稱一般型）兩者作比較，並探討使用者之使用意願與推薦準確率來評估本研究之成果。
本研究利用問卷調查、收集使用者紀錄進行推薦系統評估並得知近八成民眾滿意結合意見探勘型，且從推薦系統評估的結果中得知F-Measure為68.06%比起一般型高出7.54%，其推薦準確率達到82.84%，可以發現本研究提出的結合意見探勘型之推薦結果較符合使用者心中意願。

As the shift toward the big data continues, the internet is continued to be filled with amounts of information. Users are required to browse through these unfiltered data to make relevant decisions. So many researchers begin to study the classification of information filtering, such as a recommendation system. The system can record information and filter based on the age, gender, or needs of the user from a large amount of information . The more specific the criteria, the more accurate the results will be. There are currently three widely used recommendation systems, Content-Based Filtering, Collaborative Filtering, and the Hybrid-based.
In the past, film reviewers only provided an overall score on the films reviewed. Now, consumers not only take film score into consideration, but also comments and opinions submitted by other users online. Therefore, this study proposes a collaborative filtering recommendation system,"A film recommendation system that incorporates consumer opinions(hereinafter referred to as the traditional method with opinion mining), and explores the details of the film recommended system. Then for each movie element analysis and give each film weight score and recommended. Finally, let traditional method with opinion mining and traditional film recommendation system (hereinafter referred to as the traditional method) for comparison to make users more in line with the user's expectations.
From the results of our study, we found that by incorporating opinion mining, the F-Measure was 68.06%, which was 7.54% higher than that of the standard method. Compared with the standard film recommendation system, the system incorporating opinion mining is more in line with the opinions of the users.

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
1.3.	論文架構	3
 第二章文獻探討	5
2.1.	意見探勘	5
2.1.1.	自動化擷取	5
2.1.2.	斷詞系統	6
2.1.3.	意見單元定義與抽取	6
2.2.	推薦系統定義與概述	7
2.2.1.	內容過濾式（Content-Based Filtering）	8
2.2.2.	協同過濾式（Collaborative Filtering Approach）	8
2.2.3.	混合過濾式（Hybrid-Based Filtering）	12
2.2.4.	推薦系統評估	12
2.2.5.	電影面向與相關研究	13
2.3.	小結	14
 第三章研究方法	15
 第四章雛型系統	17
4.1.	結合意見探勘的電影推薦系統	17
4.2.	資料蒐集模組	18
4.3.	資料預處理模組	19
4.3.1.	評論前處理	19
4.3.2.	字根還原（Stemming）	19
4.3.3.	電影屬性特徵詞擷取（Movie Feature Word Extracted）	20
4.3.4.	意見詞（Opinion Word）	21
4.3.5.	詞性標註（POS Tagging）	21
4.3.6.	文法規則修飾判斷	22
4.3.7.	否定詞（Negative Word）	24
4.4.	意見分析模組	24
4.4.1.	評論者關注電影之屬性面向程度	24
4.4.2.	電影被評論者關注之屬性面向程度	28
4.5.	協同過濾式推薦	31
4.5.1.	以使用者為基礎協同過濾	31
4.5.2.	以項目為基礎協同過濾	33
4.6.	雛型系統實作展示	34
 第五章實驗設計與結果	38
5.1.	實驗目的	38
5.2.	系統評估方式	38
5.2.1.	建置傳統型電影資訊推薦系統	38
5.2.2.	問卷調查	39
5.2.3.	評估使用者紀錄	40
5.3.	系統評估結果	42
5.3.1.	問卷調查結果	42
5.3.2.	信度、效度與相關分析	46
5.3.3.	使用者與推薦系統評估	49
5.3.4.	使用者紀錄探討	57
 第六章結論與未來展望	59
6.1.	結論	59
6.2.	管理意涵	59
6.3.	研究貢獻	60
6.4.	研究限制與未來展望	61
參考文獻	63


 
表目錄
表 4 1電影加權分數假設表	17
表 4 2電影屬性表	20
表 4 3屬性詞列舉	20
表 4 4英文詞性表	22
表 4 5修飾關係表	23
表 4 6電影否定詞定義	24
表 4 7評論者對電影之關注面向範例	25
表 4 8評論者過去所有評論之電影關注面向範例	26
表 4 9電影被評論者之關注面向範例	29
表 4 10電影被評論者所評論的屬性分數範例	30
表 4 11評論者電影關注面向分數假設表	32
表 4 12評論者對電影關注面向分數假設表	34
表 4 13電影被所有評論者所關注之面向分數假設表	34
表 4 14使用者對電影有評價且評價大於6分之假設表	34
表 5 1評估程度級別指標說明	41
表 5 2問卷分析統計資料	42
表 5 3系統滿意度調查結果	43
表 5 4結合意見探勘的電影推薦系統之滿意度	44
表 5 5電影七大面向影響程度	44
表 5 6問卷電影面向信度與效度分析表	46
表 5 7問卷系統滿意度之信度與效度分析表	47
表 5 8性別與電影面向之t檢定分析表	47
表 5 9年齡與電影面向之ANOVA分析表	48
表 5 10各年齡層之差距較大的電影面向平均分數	48
表 5 11觀看頻率與電影面向之ANOVA分析表	48
表 5 12觀看頻率與特效面向平均分數	49
表 5 13受測者平均觀看電影頻率次數	49
表 5 14受測者（男）驗證結果－評估程度級別指標	50
表 5 15受測者（女）驗證結果－評估程度級別指標	50
表 5 16受測者（男、女）驗證結果－平均評估程度級別指標	52
表 5 17受測者（男）驗證結果－推薦系統評估	53
表 5 18受測者（女）驗證結果－推薦系統評估	54
表 5 19受測者（男、女）驗證結果－推薦系統平均評估指標	55
表 5 20受測者紀錄評估結果	56

 
圖目錄
圖 3 1系統發展研究流程	15
圖 4 1結合意見探勘的電影推薦系統架構圖	18
圖 4 2 IMDb網站資料	18
圖 4 3雛型系統起始畫面圖－紀錄使用者基本資料	35
圖 4 4雛型系統起始畫面圖－電影除去畫面	36
圖 4 5雛型系統推薦畫面	36
圖 4 6結合意見探勘之電影推薦畫面	37
圖 4 7推薦系統未推薦畫面	37
圖 5 1傳統型電影資訊推薦系統	39
圖 5 2兩推薦系統之使用者偏好比例	44
圖 5 3一般民眾對電影七大面向在意比例	45
圖 5 3受測者（男、女）驗證結果折線圖－平均評估程度級別指標	52
圖 5 4受測者（男、女）驗證結果折線圖－推薦系統平均評估指標	55
圖 5 5受測者紀錄評估結果折線圖	56

一、中文文獻
[1]何文程（2010），奧斯卡得獎男女演員對電影票房收入效應之探討， 暨南大學經營管理碩士論文。
[2]李孟潔（2009），利用機器學習作法之中文意見分析，清華大學資訊工程學系碩士論文。
[3]李日斌（2014），探討臺灣網民對鄰國的情感，中山大學資訊管理學系碩士論文。
[4]林銘嬋（2016），結合意見探勘之推薦系統，東吳大學資訊管理學系碩士論文。
[5]曹盛涵（2014），結合評論意見探勘之推薦系統，東吳大學資訊管理學系碩士論文。
[6]謝金育（2012），結合貝氏網路與激勵理論之推薦機制-電影推薦系統設計，國立交通大學資訊管理學系碩士論文。
[7]陳柏任（2012），運用社會網絡分析法以發掘興趣導向虛擬社群關鍵使用者之研究，國立高雄大學資訊管理學系碩士論文。
[8]陳聖昆（2014），電影元素對於消費者觀看意願之影響，淡江大學企業管理學系碩士論文。
[9]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論文。
[10]黃彥瑋（2015），挖掘續集電影評論意見之研究，東吳大學資訊管理學系碩士論文。
[11]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，元智大學資訊管理學系碩士論文。
[12]葉庭瑋（2013），基於意見詞修飾關係之微網誌情感分析技術，臺北科技大學資訊工程系研究所碩士論文，第二十五屆自然語言與語音處理研討會, 168-182。
二、英文文獻
[13]Adomavicius, G., & Tuzhilin, A.（2004）. Recommendation Technologies: Survey of Current Methods and Possible Extensions (Working Paper). Stern School of Business, New York University. 
[14]Adomavicius, G., & Tuzhilin, A.（2005）. Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE transactions on knowledge and data engineering, 17（6）, 734-749. 
[15]Balahur, A., Hermida, J. M., & Montoyo, A.（2011）. Detecting implicit expressions of sentiment in text based on commonsense knowledge. In Proceedings of the 2nd Workshop on Computational Approaches to Subjectivity and Sentiment Analysis（pp.53-60）.Association for Computational Linguistics.
[16]Barbosa, L., & Feng, J.（2010）. Robust sentiment detection on twitter from biased and noisy data. In Proceedings of the 23rd International Conference on Computational Linguistics: Posters（pp.36-44）. Association for Computational Linguistics.
[17]Basu, C., Hirsh, H., & Cohen, W.（1998）. Recommendation as classification: Using social and content-based information in recommendation. In Aaai/iaai （pp. 714-720）.
[18]Bloom, K., & Argamon, S.（2009）. Automated learning of appraisal extraction patterns. Language and Computers, 71（1）, 249-260.
[19]Bobadilla, J., Ortega, F., Hernando, A., & Gutiérrez, A.（2013）. Recommender systems survey. Knowledge-based systems, 46, 109-132.
[20]Breese, J. S., Heckerman, D., & Kadie, C.（1998）. Empirical analysis of predictive algorithms for collaborative filtering. In Proceedings of the Fourteenth conference on Uncertainty in artificial intelligence（pp. 43-52）. Morgan Kaufmann Publishers Inc..
[21]Chen, Y. H. & Wang, J. W.（2016）. Using Multiple Representations to Select Instances for Text Classification. The 2016 Conference on Computational Linguistics and Speech Processing ROCLING, 194-203.
[22]Dawes, J.,（2008）. “Do data characteristics change according to the number of scale points used? An experiment using 5-point, 7-point and 10-point scales ,” International Journal of Market Research. 50(1):61-77. 
[23]Eriksson, B.（2006）. Sentiment classification of movie reviews using linguistic parsing. Natural Language Processing. CS, 838.
[24]Goldberg, D., Nichols, D., Oki, B. M., & Terry, D.（1992）. Using collaborative filtering to weave an information tapestry. Communications of the ACM, 35（12）, 61-70. 
[25]Hu, M., & Liu, B.（2004）. Mining and summarizing customer reviews. In Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining （pp. 168-177）. ACM.
[26]Ji, H., Li, J., Ren, C., & He, M.（2013）. Hybrid collaborative filtering model for improved recommendation. In Service Operations and Logistics, and Informatics (SOLI), 2013 IEEE International Conference on (pp. 142-145). IEEE.
[27]Kearney, P., Anand, S. S., & Shapcott, M. （2005）. Employing a domain ontology to gain insights into user behaviour. In Working Notes of the IJCAI Workshop on Intelligent Techniques for Web Personalization （pp. 25-32）. 
[28]Kerlinger, F. N.,（1986）, Foundations of behavioral research, 3rd Edition, New York: McGraw-Hill
[29]Kim, S. M., & Hovy, E. (2006). Extracting opinions, opinion holders, and topics expressed in online news media text. In Proceedings of the Workshop on Sentiment and Subjectivity in Text （pp.1-8）.Association for Computational Linguistics.
[30]Likert, R.（1932）. “A Technique for the Measurement of Attitudes,” Archives of Psychology, Vol. 22, No. 140, pp. 1-55.
[31]Liu, B., Hu, M., & Cheng, J.（2005）. Opinion observer: analyzing and comparing opinions on the web. In Proceedings of the 14th international conference on World Wide Web (pp. 342-351). ACM.
[32]Miller, B. N., Albert, I., Lam, S. K., Konstan, J. A., & Riedl, J.（2003）. MovieLens unplugged: experiences with an occasionally connected recommender system. In Proceedings of the 8th international conference on Intelligent user interfaces （pp. 263-266）. ACM.
[33]Nick, Z. Z., & Themis, P.（2001）. Web search using a genetic algorithm. IEEE Internet computing, 5（2）, 18. 
[34]Nunnally, J. C., & Bernstein, I. H.（1978）.Psychometric Theory. 2nd Edition, McGraw Hill, New York.
[35]Nunamaker Jr, J. F., Chen, M., & Purdin, T. D.（1990）. Systems development in information systems research. Journal of management information systems, 7（3）, 89-106.
[36]O’connor, M., Cosley, D., Konstan, J. A., & Riedl, J. (2001). PolyLens: a recommender system for groups of users. In ECSCW 2001 (pp. 199-218). Springer Netherlands.
[37]Porter, M. F.（2001）.Snowball: A language for stemming algorithms, http://snowball.tartarus.org/texts/introduction.html.
[38]Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P., & Riedl, J.（1994）. GroupLens: an open architecture for collaborative filtering of netnews. In Proceedings of the 1994 ACM conference on Computer supported cooperative work （pp. 175-186）. ACM.
[39]Santorini, B.（1990）. “Part-of-speech Tagging Guidelines for the Penn Treebank Project.” Tech. rep. MS-CIS-90-47, Department of Computer and Information Science, University of Pennsylvania.
[40]Sarwar, B., Karypis, G., Konstan, J., & Riedl, J.（2000a）. Analysis of recommendation algorithms for e-commerce. In Proceedings of the 2nd ACM conference on Electronic commerce（pp. 158-167）. ACM.
[41]Sarwar, B., Karypis, G., Konstan, J., & Riedl, J.（2000b）. Application of dimensionality reduction in recommender system-a case study（No. TR-00-043）. Minnesota Univ Minneapolis Dept of Computer Science.
[42]Sarwar, B., Karypis, G., Konstan, J., & Riedl, J.（2001）. Item-based collaborative filtering recommendation algorithms. In Proceedings of the 10th international conference on World Wide Web（pp. 285-295）. ACM.
[43]Schafer, J. B., Konstan, J., & Riedl, J.（1999）. Recommender systems in e-commerce. In Proceedings of the 1st ACM conference on Electronic commerce（pp. 158-166）. ACM.
[44]Schafer, J. B., Konstan, J. A., & Riedl, J.（2001）. E-commerce recommendation applications Applications of Data Mining to Electronic Commerce （pp. 115-153）: Springer.
[45]Sokolova, M., Japkowicz, N., & Szpakowicz, S.（2006）. Beyond accuracy, F-score and ROC: a family of discriminant measures for performance evaluation. In Australasian Joint Conference on Artificial Intelligence （pp. 1015-1021）. Springer Berlin Heidelberg.
[46]Wiebe, J., & Riloff, E.（2005）. Creating subjective and objective sentence classifiers from unannotated texts. In International Conference on Intelligent Text Processing and Computational Linguistics（pp. 486-497）. Springer Berlin Heidelberg.
[47]Tottie, Gunnel.（1991） “Negation in English Speech and Writing: A Study in Variation,” San Diego: Academic Press.
[48]Zhuang, L., Jing, F., & Zhu, X. Y.（2006）. Movie review mining and summarization. In Proceedings of the 15th ACM international conference on Information and knowledge management (pp. 43-50). ACM.