根據Surikate 與GfK調查 (2013)顯示，85%使用者會在下載應用程式(Application, APP)前，參考在APP STORE(iOS Application Store, APP STORE)上其它用戶對該APP的評價，這些參考項目包含該APP的預覽圖、銷售價格與內文評論等，可知使用者通常會參考其它用戶的使用經驗以決定是否下載該應用程式。
根據資策會FIND調查我國智慧型行動裝置持有人數於2014年底已達1400萬以上，又依據LINE的官方統計，在我國LINE的下載次數於2014年6月中突破1700萬大關，下載次數冠居所有APP；從數據上來看，LINE在我國行動族群間之普及率早已超過九成，但該軟體在APP STORE中的用戶評分卻僅有2.4分，足見用戶評分與下載次數並無決定性的相互影響關係，且難以反應出真實的評價水準。
據此，本研究欲以探討使用者對於手機應用程式的真實評價為研究目的，期望能夠透過蒐集網路評論文本，將評論文本轉化為特徵量化數據，輔以結合人工判讀內容並加以分析後，提出一可反應APP真實評價之評分模型。
為了驗證本研究提出之評分模型效能，本研究亦將透過系統發展研究法，以支持向量機(Support Vector Machine, SVM)分類模型將網路評論文本依特徵項轉化為特徵量文本後，進行訓練與測試，再將支持向量機分類模型產出之分類結果比對人工判讀之結果，計算其準確率做為系統驗證的依據。
經由實驗結果顯示，透過將詞彙做為特徵值，評分模型的整體分類準確率將近九成，顯示本研究之APP評分模型有良好的反應能力；期望本研究之研究結果能在後續相關領域下之研究有所貢獻。

According to Surikate and GfK (2013), 85 percent Application (APP) users refer to the comments and ratings of other users on iOS Application Store, APP STORE before actually downloading the APP. It can be noticed that people commonly examine the user experience of others when determining whether to download the product.
The investigations conducted by the FIND (2014) states that people who possess a smartphone in our nation has risen over 14 million. The statistics from the LINE official website (June, 2014) also indicates that its downloads had made a significant breakthrough of over 17 million, making LINE the most downloaded APP. From this information, we can conclude that LINE has a penetration rate of over 90 percent among Taiwanese cellphone users. However, this APP is rated a 2.4 in the APP STORE, implying that user ratings does not determine the amount of downloads. Moreover, this score limitedly reflects the real value of the product.
Based from this observation, the objective of this research is to discuss the authentic ratings of cellphone APP users. Via adapting a scientific method, the collection of APP word ratings on the internet will be converted into quantized data. Analysis will be done with the assistance of manual interpretations in order to propose a modal that adequately reflects the user experience.
For the purpose of verifying the efficiency of this rating model, this study is built on the System Development Methodology. After the wording of internet comments are transformed into characterized quantized data, it is then entered into the classification of the Support Vector Machine (SVM) for further training and testing. The data that is classified by the SVM is compared with the outcome of manual interpretations so that to calculate the accuracy rate.
 The results of this experiment indicate that through corpus categorizing, this modal reached an accuracy rate of 90 percent. This demonstrates that this APP rating modal has outstanding reflection ability. Thereby, may the results of this research contribute to future studies in this field.

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  網路輿情演進現況解析	5
2.2  意見探勘	8
2.3  網路爬蟲	8
2.4  斷詞系統	15
2.5  SVM(Support Vector Machine)	17
2.6  網路口碑對於決策之影響	20
2.7  網路口碑對於APP下載行為之影響	22
第三章  研究方法	23
第四章  雛型系統建置	25
第五章  實驗與討論	29
5.1  實驗步驟	29
5.2  實驗資料集	30
5.3  系統評估	30
5.4  系統評估結果	32
第六章  結論與意涵	37
6.1  結論	37
6.2  研究貢獻	38
6.3  未來展望	39
第七章  參考文獻	40
圖目錄
圖 1.1 2014臺灣消費者行動裝置暨APP使用行為研究調查報告	2
圖 1.2  2014年上半年臺灣民眾最常使用的前20大APP	3
圖2.1臺灣家戶連網率比例趨勢圖	6
圖2.2國內網際網路使用習慣調查表	7
圖 2.3爬蟲程式運行示意圖	9
圖2.4深度優先示意圖	13
圖2.5廣度優先示意圖	14
圖 2.6兩種可能將資料分開的超平面	18
圖2.7 SVM分類法研究流程圖	19
圖3.1系統發展研究流程	23
圖 4.1本研究系統架構圖	25
圖 5.1訓練及數量差異之準確率折線圖	33
圖 5.2科技接受模式架構 (Davis, 1989)	34
圖 5.3接受資訊評價系統模式(修改自科技接受模式)	34
表目錄
表 5.1訓練及數量差異之準確率	32
表 5.2各構面之問項	35
表 5.3研究構面間相關性	36

中文部分
[1]	楊盛帆、陸承志，《以整合式規則來做網路論壇上的3C 產品口碑分析》，碩士論文，元智大學資訊管理研究所，2009。
[2]	孫瑛澤、陳建良、劉峻杰、劉昭麟、蘇豐文，〈中文短句之情緒分類〉，2010自然語言與語音處理研討會，頁184-198，暨南大學，2010。
[3]	邱鴻達、梁婷，《意見探勘在中文電影評論之應用》，碩士論文，國立交通大學資訊工程研究所，2011。
[4]	陳柏翰、蕭瑞祥，《基於中文語法規則的意見單元抽取方法之研究》，碩士論文，淡江大學資訊管理研究所，2013。
[5]	黃婷穎、莊裕澤，《網路評價視覺化》，碩士論文，國立台灣大學資訊管理研究所，2011。
[6]	張建文、陳信希，《以使用者意向為基礎的app 推薦系統研究》，碩士論文，國立臺灣大學電機資訊學院資訊工程學研究所，2013。
[7]	唐大任、王逸如，《中文斷詞器之研究》，碩士論文，國立交通大學，2001。
[8]	林恩沛、王仕茹，《產品類型及評價正負性對消費者網路口碑接受度之影響—品牌承諾為干擾因素》，碩士論文，國立台灣師範大學大眾傳播研究所，2010。
[9]	簡之文、蕭瑞祥，《部落格文章情感分析之研究》，碩士論文，淡江大學資訊管理研究所，2012。
[10]	謝麗星、周明、孫茂松，《基於層次結構的多策略中文微博情感分析和特徵抽取》，中文信息學報，Vol.26，2012。
[11]	謝衫蒂、戴敏育，《應用機器學習與多辭典的中英雙語意見分析之研究》，碩士論文，淡江大學資訊管理研究所，2014。
[12]	蔣禮芸，《資訊擷取技術之探討》，大學圖書館，7卷2期，頁191-205，2004。
[13]	焉德葳、洪朝貴、陳毓璋，《搜尋引擎與資訊索引中文斷詞方法》，碩士論文，樹德科技大學，2008。
英文部分
[14]	Brin, Sergey, and Lawrence Page. "The anatomy of a large-scale hypertextual Web search engine." Computer networks and ISDN systems 30.1 (1998): 107-117.
[15]	Brown, J., Broderick, A. J., & Lee, Nick. (2007). Word of mouth communication within online communities conceptualizing the online social network. Journal of Interactive Marketing. 21(3), 2-20.
[16]	Chakrabarti, Soumen, Martin Van den Berg, and Byron Dom. "Focused crawling: a new approach to topic-specific Web resource discovery." Computer Networks 31.11 (1999): 1623-1640.
[17]	Chatterjee, P. (2001). Online reviews: Do consumers use them? Advances in Consumer Research. 28(1), 129-133.
[18]	Cheung, C. M. K., Lee, M. K. O., Rabjohn, N. (2008). The impact of electronic word-of-mouth: The adoption of online opinions in online customer communities. Internet Research. 18(3), 229-247.
[19]	Chevalier, J. A., Mayzlin, D., (2006). The effect of word of mouth on sales: onlinebook reviews, Journal of Marketing Research, 43(3), 345-354.
[20]	Duan, Wenjing, Bin Gu, Andrew B. Whinston. (2008) "Do online reviews matter?—An empirical investigation of panel data." Decision support systems 45.4: 1007-1016.
[21]	Gruen, T. W., Osmonbekov, T., Czaplewski, A. J. (2006). eWOM: The impact of customer-to-customer online know-how exchange on customer value and loyalty. Journal of Business Research. 59(4), 449-456.
[22]	Hennig-Thurau, T., Walsh, G. (2003). Electronic word-of-mouth: Motives for and consequences of reading customer articulations on the internet. International Journal of Electronic Commerce. 8(2), 51-74.
[23]	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.
[24]	Kaji, Katsuhiko, Motoki Yano, Nobuo Kawaguchi. (2011)."App. locky: users' context collecting platform for context-aware application recommendation." Proceedings of the 2nd international workshop on Ubiquitous crowdsouring. ACM.
[25]	Katz, E., Lazarsfeld, P. F. (1955). Personal influence: The part played by people in the flow of mass communication. New York: Free Press.
[26]	Kim, S. M., Hovy, E., (2004). "Determining the sentiment of opinions," Proceedings of the COLING conference, pp. 1367-1374.
[27]	Kleinberg, Jon M. "Authoritative sources in a hyperlinked environment." Journal of the ACM (JACM) 46.5 (1999): 604-632.
[28]	Liu, B., Hu, M., Cheng, J., (2005). "Opinion Observer: Analyzing and 47Comparing Opinions on the Web, " Proceedings of the 14th international Conference on World Wide Web, Chiba, Japan, pp. 342-351.
[29]	Money, R. Bruce. (2004). "Word-of-mouth promotion and switching behavior in Japanese and American business-to-business service clients." Journal of Business Research 57.3: 297-305.
[30]	Nunamaker, J. R., Chen, J. F., Purdin, T. D. M., ( 1990-1991). "Systems Development in Information Systems Research," Journal of Management Information Systems, vol. 7, no. 3, pp. 89-106.
[31]	Tsou, Benjamin KY, et al. "Polarity classification of celebrity coverage in the Chinese press." Proceedings of International Conference on Intelligence Analysis. 2005.
[32]	Wang, J. H., Lee, C. C., (2011). "Unsupervised Opinion Phrase Extraction and Rating in Chinese Blog Posts," Proceedings of the 3rd 48 IEEE International Conference on Social Computing (SocialCom), Boston, USA, pp.820-823.