隨著社群網路的興起，群眾開始習慣在網路上發表意見，並進行評論。使用者在網路的活動，留下了大量的公開資料，若能仔細加以加析，便可獲得寶貴的訊息，了解民眾的喜好與需求。由於具有高度實用性，產、官、學各界紛紛投入網路與情探勘(Public Opinion Mining)的行列中。本研究以網路新聞讀者情感預測為目標，希望能了解讀者對於剛刊登新聞之可能反應，以做為當局發布新聞、制定決策時之重要參考。為此，本研究長時間大量蒐集網路新聞，使用N-gram技術對於網路新聞進行斷詞，對於常用字詞進行次數統計，並配合讀者的情緒投票，產生新聞與讀者情感之預測模型。對待測新聞進行預測時，本研究亦嘗試各種不同的相似度計算方法，以提升準確率。本研究蒐集2013年12月8日至2014年11月12日止，共193,489筆新聞進行實驗，結果顯示本研究提出之方法在特定新聞類別中具有良好準確率。此外，我們也發現新聞蒐集時間增長時，預測準確率更可獲得明顯提升。其次，當有重大新聞發生時，延後塑模的時間點可獲得更佳的預測結果。

With the rise of community networks, people began to get used to show their opinion and comment. Network users leaving a large number of publicly available data by their activity. We can extract data to useful and precious information by analysis data carefully to understanding the requirements and preferences of people. Due to highly practicable of emotion analysis, filed , academic and government join the research of public opinion mining.
This study will focus on prediction of news readers’ emotion. Government or companies can make decision by referring to emotion of news readers. Collecting large internet news long time and make word segmentation by N-gram on every news. Statistic frequency of key word and create emotion model by news readers’ emotion voting.
When predict readers’ emotion of news, this study try to use three method to improve accuracy rate. This study collect internet news from December 8 2013 to November 12 2014, total 193,489 news. This study present high accuracy in some specific category of news. In this study, accuracy rate will improve apparently with news collection time. When grave news occurred, postpone the model timestamp will get better accuracy rate.

表目錄 VII
圖目錄 IX
第一章	緒論1
第一節	研究背景1
第二節	研究動機與目的2
第二章	文獻探討3
第一節	相關研究3
第二節	N-gram 技術及其應用5
第三節	Zipf's law (齊夫式定律)7
第四節	分類與分群演算法8
第三章	新聞讀者情緒預測系統架構與設計11
第四章	實驗結果	27
第一節	準確率統計27
第二節	準確率影響因素分析31
第五章	結論與未來工作42
第一節	研究結論42
第二節	研究限制與未來研究建議43
參考文獻	44
表1: 將新聞內文儲存至資料庫之格式16
表2: 中文文章之N-gram分析	17
表3: 改良式之N-gram字頻統計17
表4: 不同情緒下最常出現的介係詞、連接詞及主詞統計18
表5: 利用改進式N-gram分解新聞20
表6: 整合資料庫中的N-gram頻率表21
表7: 利用單詞預測讀者對於新聞的情感22
表8: 以NNC演算法進行新聞情感預測23
表9: 以K-means演算法進行新聞情感預測24
表10: 以餘弦相似度進行新聞情感預測26
表11: 新聞情感預測結果27
表12: 依照情感分類之預測準確率統計28
表13: 依照新聞分類之預測準確率統計30
表14: 查詢該時間點內相同類別新聞及心情分類所使用本文數量32
表15: 依照本文數量之預測準確率統計33
表16: 使用不同新聞資料蒐集區間產生情感分類模型，所獲得之預測準確率統計35
表17: 透過相同類型並產生相同情感反應之新聞數量，發覺「重大新聞」	39
表18: 重大新聞發生當下40
表19: 2014/3/28、29二天之「政治」類別之「火大」情感模型41
表20 重複字詞出現平均數量42
圖1: 單詞出現的頻率與排名關係8
圖2: 典型的資料分類流程9
圖3: 本研究提出之網路新聞讀者情緒分析流程13
圖4: 利用本文將新聞分類並擷取時間戳記15
圖5: 各項情感預測準確率29
圖6: 各項分類預測準確率30
圖7: 本文數量之預測準確率33
圖8: 新聞資料蒐集區間預測準確率圖36
圖9: 新聞數量圖38

一、 中文文獻
1. 何浩、杨海棠，2002。一种基于N2Gram 技术的中文文献自动分类方法。情報學報，21，421-426。
2. 赵妍妍、秦兵、刘挺，2010，文本情感分析。軟件學報，1835-1848。
3. 馬偉傑，2012，新聞媒體及網絡行為習慣調查。傳媒透視4月號，12-14。
4. 王正豪、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學位論文。
 
5. 周家宇，2012，基於餘弦和模糊相似度方法之漸進式企業電子郵件分類。中央大學資訊工程學系學位論文。
6. 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。


二、 網路文獻
1. 中研院資訊科學研究所，中文斷詞系統，http://ckipsvr.iis.sinica.edu.tw/，最後存取日期2015/5/23 
三、 英文文獻
1. Bo Pang and Lillian Lee, 2008, “Opinion Mining and Sentiment Analysis”, Foundations and Trends in Information Retrieval Vol. 2, No 1-2 (2008) , 1–135. 
2. Steven E. Calyman, “Display Neutrality in Television News Interviews”, Social Problems, Vol. 35, No. 4, Special Issue: Language, Interaction, and Social Problems (Oct., 1988), 474–492. 
3. Thorsten Jochins, “Text Categorization with Support Vector Machines: Learning with Many Relevant Features”, Lecture Notes in Computer Science Volume 1398, 1998, 137-142. 
4. T.R. Niesler and P.C.Woodland, “A variable-length category-based N-gram language model”, Computer Speech & Language, Vol. 13 (1), January 1999, 99–124. 
5. William B. Cavnar and John M. Trenkle, 1994, “N-gram-Based Text Categorization”. Environmental Research Institute of Michigan. 
6. Witten, I. H., Frank, E., Hall M. A., “Data Mining, Practical Machine 
Learning Tools and Techniques (3/e)”, Morgan Kaufmann series in data management systems, 2011. 

7. Isidro, P.-M., et al., “Feature-based Opinion Mining through Ontologies,” Expert Systems with Applications, 41 (2014) 5996-6008. 

8. Yang, C. C. and Dorbin, T., “Analyzing and Visualizing Web Opinion Development and Social Interactions with Density-based Clustering, “ IEEE trans. on Systems, Man, and Cybernetics-Part A, Vol. 41, No. 6, Nov. 2011. 

9. Wu Y., et al., “OpinionFlow: Visual Analysis of Opinion Diffusion on Social Media,” IEEE trans. on Visualization and Computer Graphics, Vol. 20, No 12, Dec. 2014, pp. 1763-1772. 

10. Huang, W., Zhao, Y., Yang S., Lu, Y., “Analysis of the user behavior and opinion classification based on the BBS”, Applied Mathematics and Computation 205 (2008) 668-676. 

11. Chen, H., and Zimbra, D., “AI and Opinion Mining,” IEEE Intelligent Systems, May/June 2010, pp. 74-76. 

12. Cambria, E., et al., “New Avenues in Opinion Mining and Sentiment Analysis, “ March/April IEEE Intelligent Systems, pp. 15-21. 

13. Akay, A., et al., “A Novel Data-Mining Approach Leveraging Social Media to Monitor Comsumer Opinion of Sitagliptin, “ IEEE Journal of Biomedical and Health Informatics, Vol. 19, No. 1, Jan. 2015, pp. 389-396.