LINE從2011年6月發表後帶動了LINE貼圖的發展，從一開始冰冷的文字、簡易的表情符號到現在生動活潑的LINE貼圖，讓人們聊天的模式更近一步，拉近了彼此的距離。
所謂一圖勝千言，生動的貼圖能讓人們更精準的表達當下發生的情緒及情境。這也是為甚麼LINE可以發展出超過1萬種以上的貼圖，這其中隱藏了巨大的商機。
本研究採用問卷調查法，透過集群分析並運用關連法則挖掘出有用之資訊，探究不同族群之使用者貼圖偏好、消費偏好及服務偏好經分析整理後，以提供LINE、公司企業做為經營上之參考。

After LINE has been published in June 2011 it drive the development of the LINE sticker .    The freezing words and simple emoticons form beginning to those lively LINE stickers that we can see now, they not only make the mode that people can chat with each other closer, but also get each other close.
The reason why the Line stickers can be performed more vivid than any text. Because the vivid stickers can make people  more  accurately express the current mood. That is why LINE can be developed  more than 10,000 kinds of stickers, in which hides a huge business opportunities.
The study uses the questionnaire survey procedure, by using Clustering analysis and Association rules are applied to bring out more useful information to investigate different groups of users sticker preferences, consumer preferences and service preferences after analysis and finishing. The research is provided reference of management for Line and corporate.

目錄
謝辭	I
中文摘要	III
英文摘要	IV
目錄	V
表目錄	IX
圖目錄	XII
第一章 緒論	1
1.1 研究背景與動機	1
1.2 研究問題與目的	4
1.3 研究方法與流程	5
第二章 文獻探討	6
2.1 LINE的崛起	6
2.1.1小結	6
2.2 貼圖的發展	7
2.2.1 表情符號與貼圖	7
2.2.2 小結	9
2.3 社群行銷	10
2.3.1 社群媒體	10
2.3.2 社群行銷	10
2.3.3 小結	11
2.4 資料探勘 (Data Mining)	11
2.4.1 資料探勘的定義	11
2.4.2 資料探勘的功能	14
2.4.3 資料探勘的流程	15
2.4.4 小結	17
2.5 推薦機制	17
2.5.1 推薦機制之定義	17
2.5.2 推薦機制之種類	19
2.5.3 小結	20
第三章 研究方法	21
3.1 研究設計	21
3.2 系統架構圖與資料庫設計	22
3.2.1 系統架構與流程	22
3.3 資料庫的建立與設計	24
3.4 問卷設計與發放	31
3.4.1問卷設計	31
3.4.2 抽樣方法	32
3.4.3 問卷發放	33
3.5 關聯法則與集群分析	34
3.5.1 關聯法則	34
3.5.2 Apriori演算法	37
3.5.3 集群分析	39
3.6 資料庫分析軟體 SPSS Modeler	41
第四章 資料探勘與實證分析	43
4.1 回收樣本結構描述	43
4.2 K-means集群分析之探勘	47
4.2.1 分群後之使用者輪廓	48
4.3 Apriori關聯性資料探勘	52
4.4 貼圖行為之探勘分析	53
4.4.1 集群一（省錢作戰小資族群）使用者輪廓與貼圖行為之關聯	54
4.4.2 集群二（都會自我基礎收入族群）使用者輪廓與貼圖行為之關聯	55
4.4.3 集群三（居家高收入族群）使用者輪廓與貼圖行為之關聯	57
4.4.4 小結	59
4.5 群組互動行為之探勘分析	60
4.5.1 集群一（省錢作戰小資族群）個人使用貼圖聊天對象與在群組中的互動行為之關聯	60
4.5.2 集群二（都會自我基礎收入族群）個人使用貼圖聊天對象與在群組中的互動行為之關聯	62
4.5.3 集群三（居家高收入族群）個人使用貼圖聊天對象與在群組中的互動行為之關聯	64
4.5.4 小結	66
4.6 貼圖行為與消費傾向與服務之推薦機制	67
4.6.1 集群一（省錢作戰小資族群）貼圖行為與消費傾向與服務之關聯	67
4.6.2 集群二（都會自我基礎收入族群）貼圖行為與消費傾向與服務之關聯	69
4.6.3 集群三（居家高收入族群）貼圖行為與消費傾向與服務之關聯	71
4.6.4小結	72
第五章 結論與後續研究建議	73
5.1 研究結論	73
5.1.1 LINE貼圖內容偏好與貼圖類型之結論	73
5.1.2 LINE貼圖行為與消費傾向與加值服務之結論	74
5.2 研究結論與發現	75
5.2.1 使用者輪廓與LINE貼圖開發之研究發現	75
5.2.2 LINE社群行為與主題性貼圖開發之管理意涵	82
5.2.3 LINE貼圖之商業模式之研究發現	88
5.3 研究限制	94
5.4 後續研究建議	95
參考文獻	96
附錄一	103

 
表目錄
表2-1 情緒類貼圖與情境類貼圖分析表	9
表2-2 各學者資料探勘(Data Mining)之定義	12
表2-3 資料探勘流程	16
表2-4 各學者對推薦機制的定義	18
表3-1 實體、關聯與屬性的概述	26
表3-2 問卷發放回收情形	34
表4-1 問卷回收統計表	43
表4-2 使用者基本資料統計表	44
表4-3 K-means分群結果	51
表4-4 集群一使用者輪廓與貼圖行為偏好之關聯法則	55
表4-5 集群二使用者輪廓與貼圖行為偏好之關聯法則	57
表4-6 集群三使用者輪廓與貼圖行為偏好之關聯法則	59
表4-7 集群一個人使用貼圖聊天對象與在群組中的互動行為之關聯法則	61
表4-8 集群二個人使用貼圖聊天對象與在群組中的互動行為之關聯法則	63
表4-9 集群三個人使用貼圖聊天對象與在群組中的互動行為之關聯法則	65
表4-10 集群一貼圖行為與消費傾向與服務之關聯法則	68
表4-11 集群二貼圖行為與消費傾向與服務之關聯法則	70
表4-12 集群三貼圖行為與消費傾向與服務之關聯法則	72
表5-1 各集群之LINE貼圖開發建議	78
表5-2 各集群之主題性LINE貼圖之整合建議	84
表5-3 各集群之商業模式偏好整合建議	90

 
圖目錄
圖1-1 LINE全球使用者	1
圖1-2 2014-2016 LINE台灣使用率	2
圖1-3 2014年行動電商與LINE一覽表	3
圖1-4 研究流程圖	5
圖2-1 第一代表情符號	7
圖2-2 第二代表情符號	8
圖2-3 第三代LINE貼圖	8
圖3-1 研究設計圖	22
圖3-2 系統架構圖	23
圖3-3 概念性資料庫設計E-R圖	27
圖3-4 邏輯性資料庫設計圖	29
圖3-5 實體資料庫關聯圖	30
圖3-6 問卷架構圖	32
圖3-7 Apriori演算法產生之後選項目集合與高頻項目集合	39
圖3-8 資料探勘工具滿意度（2013）	42
圖4-1 集群大小分配圖	47
圖4-2 集群分布圖	48
圖4-3 資料探勘模型路徑圖	53
圖4-4 集群一使用者輪廓與貼圖行為偏好之蛛網圖	54
圖4-5 集群二使用者輪廓與貼圖行為偏好之蛛網圖	56
圖4-6 集群三使用者輪廓與貼圖行為偏好之蛛網圖	58
圖4-7 集群一個人使用貼圖聊天對象與在群組中的互動行為之蛛網圖	60
圖4-8 集群二個人使用貼圖聊天對象與在群組中的互動行為之蛛網圖	62
圖4-9 集群三個人使用貼圖聊天對象與在群組中的互動行為之蛛網圖	64
圖4-10 集群一貼圖行為與消費傾向與服務之蛛網圖	67
圖4-11 集群二貼圖行為與消費傾向與服務之蛛網圖	69
圖4-12 集群三貼圖行為與消費傾向與服務之蛛網圖	71
圖5-1 LINE貼圖開發知識地圖	81
圖5-2 貓抓抓主系列貼圖	86
圖5-3 LINE社群互動之貼圖行為知識地圖	87
圖5-4 LINE貼圖行為與消費傾向與服務知識地圖	93

參考文獻
一、	中文部分
尹相志(2004)。資料採礦-網際網路應用與顧客價值管理。台北:維科。
吳緯閔(2008)。網際網路服務推薦系統。國立中央大學資訊工程研究所。桃園縣。
林慶德(2003)。資料庫管理與應用。台北:培生。
林建煌(2010)。行銷管理。台北市:智勝文化事業有限公司製作。
林真蒂(2015)。LINE貼圖表達情緒認知之研究。大葉大學設計暨藝術學院碩士班。彰化縣。
翁慈宗(2009)。資料探勘的發展與挑戰。科學發展期刊(442),34-37。
陳怡如(2015)。探討社群媒體對智慧型手機遊戲行銷之影響因素。國立臺北教育大學數位科技設計學系碩士論文。臺北市。
張秩綱(2013)。影響社群媒體持續使用意圖之研究-以國內航空公司粉絲專頁為例。逢甲大學運輸科技與管理學系研究所。台中市。
陶蓓麗、廖則竣、林政道(2004)。網際網路顧客關係之實證研究。資訊管理學報，第11卷第1期。頁167-194。
廖述賢、溫志皓(2012)。資料探勘理論與應用:以IBM SPSS modeler為範例。新北市:博碩文化股份有限公司。
廖述賢(2007)。知識管理。台北市:雙葉書廊有限公司。
蔡碧鳳(2003)。策略創意軌迹之探討。國立清華大學科技管理研究所碩士班學位論文。新竹市。


 
二、	英文部分
Agrawal, R., Imieliński, T., & Swami, A. (1993, June). Mining association rules between sets of items in large databases. In Acm sigmod record (Vol. 22, No. 2, pp. 207-216). ACM.
Armstrong, A., & Hagel, J. (2000). The real value of online communities. Knowledge and communities, 74(3), 85-95.
Berry, M. J., & Linoff, G. (1997). Data mining techniques: for marketing, sales, and customer support. John Wiley & Sons, Inc..
Cabena, P., Hadjinian, P., Stadler, R., Verhees, J., & Zanasi, A. (1998). Discovering data mining: from concept to implementation. Prentice-Hall, Inc..
Chen, T. Y., & Huang, J. H. (2013). Application of data mining in a global optimization algorithm. Advances in Engineering Software, 66, 24-33.
Coenen, F., Goulbourne, G., & Leng, P. (2004). Tree structures for mining association rules. Data Mining and Knowledge Discovery, 8(1), 25-51.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3), 37.
Fayyad, U., & Stolorz, P. (1997). Data mining and KDD: Promise and challenges. Future generation computer systems, 13(2-3), 99-115.
Frawley, W. J. (1991). Knowledge discovery in databases (Vol. 37). W. J. Frawley, & G. Piatetsky-Shapiro (Eds.). Menlo Park, CA: AAAI Press.
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.
Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques. Elsevier.
Häubl, G., & Murray, K. B. (2006). Double agents: assessing the role of electronic product recommendation systems. Sloan Management Review, 47(3), 8-12.
Hofacker, C. F., Malthouse, E. C., & Sultan, F. (2016). Big data and consumer behavior: Imminent opportunities. Journal of Consumer Marketing, 33(2), 89-97.
Hoffer, J. A., George, J. F., & Valacich, J. S. (2002). Modem Systems Analysis and Design Pearson Prentice Hall.
Hui, S. C., & Jha, G. (2000). Data mining for customer service support. Information & Management, 38(1), 1-13.
Hung, L. P. (2005). A personalized recommendation system based on product taxonomy for one-to-one marketing online. Expert systems with applications, 29(2), 383-392.
Kaplan, A. M., & Haenlein, M. (2010). Users of the world, unite! The challenges and opportunities of Social Media. Business horizons, 53(1), 59-68.
Kouris, I. N., Makris, C. H., & Tsakalidis, A. K. (2005). Using information retrieval techniques for supporting data mining. Data & Knowledge Engineering, 52(3), 353-383.
Markham, S. K., Kowolenko, M., & Michaelis, T. L. (2015). Unstructured text analytics to support new product development decisions. Research-Technology Management, 58(2), 30-39.
Middleton, S. E. (2002). Interface agents: A review of the field. arXiv preprint cs/0203012.
Padmanabhan, B., & Tuzhilin, A. (2002). Knowledge refinement based on the discovery of unexpected patterns in data mining. Decision Support Systems, 33(3), 309-321.
Piatetsky, G. (1991). Knowledge discovery in database: An overview. Knowledge Discovery in Database.
Rashid, A. M., Albert, I., Cosley, D., Lam, S. K., McNee, S. M., Konstan, J. A., & Riedl, J. (2002, January). Getting to know you: learning new user preferences in recommender systems. In Proceedings of the 7th international conference on Intelligent user interfaces (pp. 127-134). ACM.
Resnick, P., & Varian, H. R. (1997). Recommender systems. Communications of the ACM, 40(3), 56-58.
Ricci, F., Rokach, L., & Shapira, B. (2011). Introduction to recommender systems handbook (pp. 1-35). springer US.
Schafer, J. B., Konstan J. A. & Ried, J. (2001). E-commerce recommendation applications. Applications of data mining to electronic commerce, 5(1-2), 115-153.
Schafer, J. B., Konstan, J. A., & Riedl, J. (2001). E-commerce recommendation applications. In Applications of Data Mining to Electronic Commerce (pp. 115-153). Springer US.
Srikant, R., Vu, Q., & Agrawal, R. (1997, August). Mining association rules with item constraints. In KDD (Vol. 97, pp. 67-73).
Toroslu, I. H., & Yetisgen-Yildiz, M. (2005). Data mining in deductive databases using query flocks. Expert Systems with Applications, 28(3), 395-407.
Xiao, B., & Benbasat, I. (2007). E-commerce product recommendation agents: use, characteristics, and impact. MIS quarterly, 31(1), 137-209.
Zhang, Z., Lin, H., Liu, K., Wu, D., Zhang, G., & Lu, J. (2013). A hybrid fuzzy-based personalized recommender system for telecom products/services. Information Sciences, 235, 117-129.
 
三、	網路資料
看雜誌(2012年7月) 。「App LINE爆紅崛起」。賴宛琳撰文，2017年4月18日，取自:
 https://www.watchinese.com/article/2012/4402
數位時代(2016年10月)。「1,700萬台灣人都在用！三張圖看LINE的使用者分析」。2017年4月18日，取自: https://www.bnext.com.tw/article/41433/line-user-in-taiwan-is-more-than-90-percent
INSIDE(2016年12月)。「LINE 怎麼成為全球最賺錢的 App 之一」。2017年4月18日，取自: https://www.inside.com.tw/2016/12/12/how-did-line-become-one-of-the-apps-that-earn-most-money