自2004年Web2.0使用者提供網站內容的技術被提出後，網站經營模式朝向吸引使用者來提供內容的模式發展，例如：由使用者提供影片並且透過影片的觀看次數創造網站流量的YouTube，而Facebook、Twitter這些社群平台也是其中之一。YouTube的影片創作者又稱YouTuber，YouTuber所創作的影片也會影響使用者對品牌的觀感，由於有些廠商會找YouTuber進行業務配合，將該廠牌產品放入YouTuber影片當中，對於觀賞影片的人不只可能去嘗試該產品，更可能透過YouTuber的影片對於該廠牌產生認同，所以YouTuber對於社群影響力是不可小覷的。但由於YouTuber的討論僅止於口耳相傳，使用者須經過不斷的瀏覽及搜尋才能找到所喜歡的YouTuber。因此本研究提出基於意見探勘的YouTuber推薦系統，不同於傳統YouTube透過使用者點擊大量影片後進行頻道的推薦，頻道當中包含YouTuber及其他不屬於YouTuber的頻道。本研究提出之系統透過意見探勘的方式取得觀賞影片後使用者們對於影片及製作該影片之YouTuber的相關評論並且使用辭庫比對法進行分析，進一步進行推薦。在透過實驗測試並且比較傳統型YouTube所推薦的YouTuber，由F-Measure評估方法得知，本研究所提出之基於意見探勘的YouTuber推薦系統比傳統YouTube所推薦的YouTuber之準確率來得高18.39%。另外由Mean Average Precision(MAP)評估系統精確度得知，本研究提出之系統之MAP值較傳統YouTube之MAP值高32.44%、MRR值高37.19%。而期望透過本研究能夠更進一步改善傳統YouTube的YouTuber推薦準確率問題。

Since 2004 Web 2.0 had been raised, users providing website content was proposed, the business model of the website is developing towards attracting users to provide content. For example, YouTube that provides users with videos and creates website traffic through the number of views of the videos, The social networks like Facebook and Twitter are among them.
YouTube's video creator, also known as YouTuber, will also influence the user's perception of the brand, as some vendors will find YouTuber for business cooperation, and put the branded product into YouTuber videos for those who watch the video. It’s not just possible to try the product, it’s more likely that YouTube’s video will identify the brand, so YouTube’s influence on the community is not to be underestimated. However, since YouTuber's discussion is only word of mouth, users must constantly browse and search to find their favorite YouTuber.
Therefore, this study proposes a YouTuber recommendation system combined with opinion mining, which is different from traditional YouTube in which channels are recommended after a user clicks a large number of videos. The channels include YouTuber and other channels that do not classify as YouTuber. The prototype system proposed in this study obtains viewers' comments on the videos and the YouTuber making the videos through opinion-finding methods and analyzes them using the dictionary comparison method to make further recommendations.
Through the experimental test and comparing the YouTuber recommended by traditional YouTube, the F-Measure evaluation method shows that the YouTuber recommendation system combined with opinion mining is 18.39% higher than the YouTube-recommended YouTuber. In addition, the accuracy of the Mean Average Precision (MAP) evaluation system shows that the MAP value of the system proposed by this study is 32.44% higher than the traditional YouTube MAP value, and the MRR value is 37.19% higher. It is hoped that through this research, the YouTube recommendation accuracy rate of traditional YouTube can be further improved.

目錄
第一章 緒論 ................................ ................................ ................................ ............ 1
1.1. 研究背景 ................................ ................................ ................................ ............. 1
1.2. 研究動機與目的 研究動機與目的 ................................ ................................ ................................ . 3
1.3. 研究流程 ................................ ................................ ................................ ............. 4
第二章 文獻探討 ................................ ................................ ................................ .... 5
2.1. YouTuber ................................ ................................ ................................ ............. 5
2.2. 意見探勘 ................................ ................................ ................................ ............. 6
2.2.1. 自動化擷取 自動化擷取 ................................ ................................ ............................ 6
2.2.2. 中文斷詞系統 中文斷詞系統 ................................ ................................ ........................ 6
2.2.3. 意見單元定義與擷取 意見單元定義與擷取 意見單元定義與擷取 ................................ ................................ ............ 7
2.2.4. 意見情緒分析 意見情緒分析 ................................ ................................ ........................ 7
2.3. 推薦系統定義及概述 推薦系統定義及概述 推薦系統定義及概述 ................................ ................................ ......................... 7
2.3.1. 基於內容過濾式 基於內容過濾式 (Content-Based Filtering) ................................ ........ 8
2.3.2. 協同過濾式 協同過濾式 (Collaborative Filtering Approach) ................................ . 8
2.3.3. 混合式推薦 混合式推薦 (Hybrid Approach) ................................ ......................... 10
2.3.4. 推薦系統評估 推薦系統評估 ................................ ................................ ...................... 10
2.3.5. 平均檢索精確度 平均檢索精確度 (Mean Average Precision, MAP) .......................... 11
2.3.6. 平均倒數排序 平均倒數排序 (Mean Reciprocal Rank, MRR) ................................ .. 11
2.4. 小結 ................................ ................................ ................................ ................... 12
第三章 研究方法 ................................ ................................ ................................ .. 13
第四章 雛型系統分析建置 ................................ ................................ .................. 15
4.1. YouTube網站傳統推薦模式 網站傳統推薦模式 網站傳統推薦模式 網站傳統推薦模式 ................................ ................................ ............ 16
4.2. 結合意見探勘的 結合意見探勘的 YouTuber推薦系統 推薦系統 ................................ .............................. 17
4.2.1. YouTuber意見探勘 意見探勘 ................................ ................................ ............. 18
4.2.2. 產生推薦結果 產生推薦結果 ................................ ................................ ...................... 23
4.2.3. 記錄使用者資訊 記錄使用者資訊 ................................ ................................ .................. 24
4.3. 雛型系統實作 雛型系統實作 ................................ ................................ ................................ ... 25
第五章 實驗方法及結果 ................................ ................................ ...................... 27
5.1. 實驗目的 ................................ ................................ ................................ ........... 27
5.2. 系統評估方式 系統評估方式 ................................ ................................ ................................ ... 27
5.2.1. 操作傳統型 操作傳統型 YouTube ................................ ................................ ........... 28
5.2.2. 評估使用者紀錄 評估使用者紀錄 ................................ ................................ .................. 28
5.3. 系統評估結果 系統評估結果 ................................ ................................ ................................ ... 32
V
5.4. 使用者記錄討論 使用者記錄討論 ................................ ................................ ............................... 45
第六章 結論與未來展望 ................................ ................................ .......................... 49
6.1. 結論 ................................ ................................ ................................ ................... 49
6.2. 研究貢獻 ................................ ................................ ................................ ........... 49
6.3. 研究限制與未來展望 研究限制與未來展望 研究限制與未來展望 ................................ ................................ ....................... 50
參考文獻 ................................ ................................ ................................ .................... 51
VI
表目錄
表 4-1:Y OU TUBERUBERUBERUBER意見探勘分數表 意見探勘分數表 ................................ ....... 22
表 4-2：基於意見探勘之 YOU TUBERUBERUBERUBER推薦系統項目 推薦系統項目 ..................... 24
表 5-1: 實驗步驟說明及各目的 ................................ .... 29
表 5-2: 評估程度級別指標說明 ................................ ........ 30
表 5-3: 受測者驗證結果 ................................ .............. 33
表 5-4 單因子變異數分析 單因子變異數分析 ................................ ............ 36
表 5-5 單因子變異數分析 單因子變異數分析 ................................ ............ 36
表 5-6：受測者驗證結果 ................................ ............. 37
表 5-7：實驗評估結果 ................................ ............... 40
表 5-8：實驗評估結果 ................................ ............... 42
表 5-9：實驗評估結果 ................................ ............... 44
表 5-10 受測者極端值結果 受測者極端值結果 ................................ ........... 46
表 5-11 受測者極端值結果 受測者極端值結果 ................................ ........... 46
表 5-12 受測者極端值結果 受測者極端值結果 ................................ ........... 47
VII
圖目錄
圖 3-1研究架構 ................................ .................... 13
圖 4-1結合意見探勘的 YOU TUBERUBERUBERUBER推薦系統架構圖 推薦系統架構圖 ......................... 15
圖 4-2：YOU TUBEUBEUBE網站之傳統型推薦架構 網站之傳統型推薦架構 ................................ 17
圖 4-3： YOU TUBEUBEUBE評論擷取 評論擷取 ................................ ............ 19
圖 4-4： 爬蟲程式取目標 爬蟲程式取目標 ................................ .......... 19
圖 4-5： 資料庫儲存結果 資料庫儲存結果 ................................ ............ 20
圖 4-6 ：雛型系統畫面圖－蒐集使用者以及 ：雛型系統畫面圖－蒐集使用者以及 YOU TUBEUBEUBE推薦項目等資料 推薦項目等資料 ....... 25
圖 4-7 ：雛型系統畫面圖－詢問使用者對於 ：雛型系統畫面圖－詢問使用者對於 YOU TUBERUBERUBERUBER之觀看意願 .......... 26
圖 4-8 ：雛型系統畫面圖－結合意見探勘之 ：雛型系統畫面圖－結合意見探勘之 YOU TUBERUBERUBERUBER推薦系統畫面 推薦系統畫面 .... 26
圖 5-1: 受測者紀錄實驗評估結果圖－ F-MEASURE EASURE EASURE EASURE EASURE EASURE EASURE 評估 ..................... 41
圖 5-2: 受測者紀錄實驗評估結果圖－ MA P及 MRR 評估 .................... 44

一.中文文獻
[1]	丁昭尤，《體驗行銷、體驗價值、觀光意象、 遊客滿意度與忠誠度關係之研究— 以台東青山休閒農場為例》，碩士論文，國立台東大學環境經濟資訊管理所，2009
[2]	李文誦，《InternetTV平台上情緒感知多媒體代理人之設計與實作》，碩士論文，中正大學通訊工程研究所，2009
[3]	林祐任，《未來性資訊檢索系統基於網路論壇之研究》，碩士論文，淡江大學資訊管理學系碩士班，2015
[4]	徐舜基，《整合準則權重於多準則協同過濾推薦之研究》，碩士論文，中國文化大學資訊管理研究所，2010
[5]	孫瑛澤、陳建良、劉峻杰、劉昭麟、蘇豐文，〈中文短句之情緒分類〉，自然語言與語音處理研討會，暨南大學,2010。
[6]	黃心宜、蕭瑞祥，《基於影響力分析之意見單元評價的研究》，碩士論文，淡江大學資訊管理學系碩士班，2014。
[7]	黃信凱，《深度摺積神經網路於混合式整體學習之影像檢索技術》，碩士論文，中央大學通訊工程研究所，2016
[8]	楊盛帆，《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， 元智大學資訊管理學系，2009。
[9]	蔡佩瑜，《Youtube病毒行銷不病毒行銷不? 探討Youtube平台上影響口碑宣傳與品牌偏好平台上影響口碑宣傳與品牌偏好因素研究》，碩士論文，中正大學行銷管理研究所，2011。
[10]	蘇品伃，《YouTuber對美妝消費者購買決策影響之研究》，碩士論文，政治大學科技管理與智慧財產研究所。
二.英文文獻
[11]	Adomavicius, G., & Tuzhilin, A.(2004). Recommendation Technologies: Survey of Current Methods and Possible Extensions (Working Paper). Stern School of Business, New York University.
[12]	Basu, C., Hirsh, H., and Cohen, W., July. “Recommendation as classification: Using social and content-based information in recommendation,” In Aaai/iaai, pp. 714-720, 1998.
[13]	Billsus, Daniel, and Michael J. Pazzani. “Learning Collaborative Information Filters,” Icml, vol. 98, 1998.
[14]	Goldberg, D., Nichols, D., Oki, B. M., and Terry, D., “Using collaborative filtering to weave an information tapestry,” Communications of the ACM, pp 61-70, 1992.
[15]	Homlmbom,M,” The YouTuber: A Qualitative Study of Popular Content Creators”, Informatik Student Paper Bachelor (INFSPB),pp 41,2015
[16]	Hu, M., and Liu, B. , “Mining and summarizing customer reviews,” Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining , Seattle, WA, USA, pp. 168-177, August, 2004.
[17]	Ji, H., Li, J., Ren, C., & He, M.(2013). Hybrid collaborative filtering model for improved recommendation. InService Operations and Logistics, and Informatics (SOLI), 2013 IEEE International Conference on (pp. 142-145).IEEE.
[18]	Liu, B. , “Sentiment analysis and subjectivity,” Handbook of Natural Language Processing, Second Edition , pp. 627-666, Chapman and Hall/CRC, 2010.
[19]	Nunamaker Jr, J. F., Chen, M., and Purdin, T. D., “Systems development in information systems research,” Journal of management information systems, vol. 7, no. 3, pp. 89-106, 1990.
[20]	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)Sarwar, B., Karypis, G., Konstan, J., & Riedl, J.(2001)
[21]	Sarwar, B., Karypis, G., Konstan, J., & Riedl, J.(2000b). Application of dimensionality reduction in recommender system-a cases study (No.TR-00-043).Minnesota Univ Minneapolis Dept of Computer Science.
[22]	Sarwar, B. M., Karypis, G., Konstan, J. A, and Riedl, J., “Item-based collaborative filtering recommendation algorithms,” In Proceedings of the 10th international conference on World Wide Web, pp 285-295, Apr. 2001.
[23]	Schafer, J. B., Konstan, J., and Riedl, J., “Recommender System Commerce,” Proceedings of the ACM Conference on Electronic Commerce, Nov. 1999.
[24]	Sokolova, M., Japkowicz, N., & Szpakowicz, S., December. “Beyond accuracy, F-score and ROC: a family of discriminant measures for performance evaluation,” In Australasian Joint Conference on Artificial Intelligence, pp. 1015-1021, 2006.