根據市調機構美國皮尤中心(Pew Research Center)於2015年3月的的報告指出，美國民眾透過社群媒體接收新聞或生活訊息的比率達到63%，代表Facebook與Twitter已不是單純與朋友間交換訊息的平台，而是用戶們接收新訊息最重要的平台，但平台上每日生產鉅量的資訊，已經超出一般人的負荷程度而根據Katz與Lazarsfeld(1955)所提出的兩級傳播理論指出當用戶處於資訊相對混亂的情況下，會轉而尋求網絡中所謂的影響力者或意見領袖的意見來做為自身的判斷依據。
    而本研究目的在於建構出具情感的社群影響力模式，即是要協助組織找出真正具有影響力的用戶，本研究透過文獻的整理發現在所有的社群活動的行為中，以轉貼行為與回應行為最具影響性，因此採用Chen et al.，(2012)以轉貼次數與回應次數作為測量基礎的「文章品質」模型。然而，在過去的量化模型當中卻忽略了用戶間互動時背後的情緒意涵，因此本研究在把情感的觀點融入「量化」的影響力模型中。
    本研究透過Twitter中挑選了政治與娛樂兩種領域共四位標的人物(歐巴馬、希拉蕊、小賈斯丁、泰勒絲)進行分析，根據研究結果所示，社群用戶不僅會依據貼文內容的不同而產生不同的文章品質分數，也會依據內容顯現出不同的情感，例如藝人的情感比率普遍高於政治人物，主因為藝人的貼文通常較無針對性的議題，不會挑起用戶與用戶間的爭端，而以政治人物來說，因其貼文通常具有針對性的議題，容易使得立場不同的追隨者產生負面的情感。以政治方面為例，在歐巴馬各主題的平均文章品質中獲得最高分的是女權議題，代表歐巴馬在該議題的發文最受群眾「關注」，但如果加入情感的構面進行比較，其實可以發現歐巴馬女權議題的貼文所獲得的情感反饋不盡理想，只排行其所有議題中的第六名，因此在情感因素調節後歐巴馬的女權議題貼文將不會是最具影響力的議題。而以藝人為例，在小賈斯丁與泰勒絲所共同具有得分類貼文如活動、節目宣傳，小賈斯丁的文章品質略高於泰勒絲，以過往量化的影響力模式中會判定是小賈斯丁於該主題獲得較高影響力，但融入情感的觀點後發現其實泰勒絲的情感比率近乎是小賈斯丁的兩倍，代表泰勒絲於貼文中所獲得正面反饋比率是小賈斯丁的兩倍，因此雖然小賈斯丁的貼文較能取得關注但在考量情感的因素後，該主題中較具影響力的用戶會是泰勒絲。
    綜上所述，用戶間互動時有時具有情感表達，但過往的研究往往忽略了情感因素，將散發「負面」情感的數字與「正面」得數字視為同一類，所計算出影響力分數並不客觀，因此本研究主期望彌補此缺口，藉由融合了量化計算與質化情感分析，以建構出能夠反映出社群平台中之影響力模型，在未來提供組織判斷社群網絡中影響力者時更客觀的分析方法。

According to the report from PEW Research Center, 63% Americans read daily news or information via social media (e.g., Facebook or Tweet). This indicates social media plays more and more important role in propagating the information. Katz and Lazarsfeld (1955) proposed two-step flow of communication model to explain people will seek others who are influencers or opinion leaders.
    Our research goal is to devise a social influence model with sentiment analysis to help organization discover real influential people in the social media. Today, social media provides fans to interact with each other such as retweet, reply, or like, Existing literature shows retweetand reply are the most useful functions in social media. Therefore, this research takes into account retweet and reply as the most important metrics in the proposed social influence model, which is also considered as the quality of post. However, one important concept behind those numbers (retweet and reply) is ignored. The sentiment behind retweet and reply is more important than numbers.
    Our model not only measures the influence from retweet and reply but also considers the factor of sentiment. This research selected four targets (e.g., Brack Obama, Hillary Clition, Taylor Swift, Justin Bieber) from Twitter to examine the proposed model. The results revealed different content has different quality of post and sentiment ratio. The sentiment ratio of celebrities is higher than politicians because the celebrities usually posted random issues but the politicians’ tweets are easy to provoke a conflict.
    In summary, fans or followers sometimes may have emotional expressions but previous studies ignored the emotional factors. The calculated number from retweet or reply is not objective. Sentiment analysis can adjust it based on qualitative perspective of content. The main expectation of this study is to fill up the gap by taking into account quantitative and qualitative perspectives. The proposed model can appropriately calculate the social influence of a specific person in the social media to help companies provide adequate marketing campaigns.

目錄
目錄	I
表目錄	II
圖目錄	IV
第一章 緒論	1
第一節	研究背景	1
第二節	研究動機	2
第三節	研究問題與目的	4
第二章 文獻探討	7
第一節	影響力	7
第二節	情感分析	10
第三章 研究方法	13
第一節	研究模型	13
第二節	文章品質	15
第三節	情感比率	18
第四章 資料分析	21
第一節	資料收集	22
第二節	資料分析	26
第三節	綜合分析-政治人物	45
第四節	綜合分析-演藝人員	75
第五章 結論	90
第一節	研究結論	90
第二節	管理實務與意涵	93
第三節	研究限制	94
參考文獻	96
中文部分	96
英文部分	97
網站部分	102
附錄	研究標的於社群平台與其追隨者互動的數據	103

表目錄
表 2-1	社群網絡模型比較圖	9
表 2-2	情感分析的應用	11
表 3-1	SIS模型變數解釋表	15
表 3-2	情感比率變數解釋表	19
表 4-1	四位標的名稱、追蹤人數、Klout値	21
表 4-2	各種蒐集的方式	23
表 4-3	歐巴馬其貼文、轉推、回應一覽	24
表 4-4	歐巴馬其平均貼文、轉推、回應一覽	24
表 4-5	希拉蕊其貼文、轉推、回應一覽	25
表 4-6	希拉蕊其平均貼文、轉推、回應一覽	25
表 4-7	小賈斯汀其貼文、轉推、回應一覽	25
表 4-8	小賈斯汀其平均貼文、轉貼、回應一覽	26
表 4-9	泰勒斯其貼文、轉推、回應一覽	26
表 4-10	泰勒斯其平均貼文、轉推回應一覽	26
表 4-11	歐巴馬-政治與非政治範疇之貼文比較表一覽	47
表 4-12	歐巴馬健保議題與整體政治範疇之貼文比較表	48
表 4-13	歐巴馬經濟議題與整體政治範疇之貼文比較表	49
表 4-14	歐巴馬教育議題與整體政治範疇之貼文比較表	51
表 4-15	歐巴馬教育議題與整體政治範疇之貼文比較表	53
表 4-16	歐巴馬勞工、就業議題與整體政治範疇之貼文比較表	55
表 4-17	歐巴馬氣候與環境議題與整體政治範疇之貼文比較表	56
表 4-18	歐巴馬政治議題與整體政治範疇之貼文比較表	58
表 4-19	歐巴馬女權議題與整體政治範疇之貼文比較表	60
表 4-20	歐巴馬能源議題與整體政治範疇之貼文比較表	62
表 4-21	歐巴馬政治範疇貼文各主題比較表	63
表 4-22	希拉蕊-政治與非政治範疇之貼文比較表一覽	65
表 4-23	希拉蕊參選議題與整體政治範疇之貼文比較表	67
表 4-24	希拉蕊政治議題與整體政治範疇之貼文比較表	68
表 4-25	希拉蕊女權議題與整體政治範疇之貼文比較表	70
表 4-26	希拉蕊同性戀議題與整體政治範疇之貼文比較表	71
表 4-27	希拉蕊社會議題與整體政治範疇之貼文比較表	73
表 4-28	希拉蕊政治範疇各主題比較表	74
表 4-29	小賈斯丁生活、心情分享主題與整體貼文比較表	76
表 4-30	小賈斯丁廣告代言與整體貼文比較表	77
表 4-31	小賈斯丁活動、節目宣傳與整體貼文比較表	79
表 4-32	小賈斯丁各主題比較表	80
表 4-33	泰勒絲生活、心情分享主題與整體貼文比較表	81
表 4-34	泰勒絲活動、節目宣傳與整體貼文比較表	83
表 4-35	泰勒絲各主題貼文比較表	83
表 4-36	歐巴馬與希拉蕊政治與非政治範疇貼文之比率比較表	84
表 4-37	歐巴馬與希拉蕊各分類貼文之比較表	85
表 4-38	歐巴馬與希拉蕊非政治範疇之貼文比較一覽	86
表 4-39	歐巴馬與希拉蕊政治範疇之貼文比較一覽	87
表 4-40	歐巴馬各主題影響力排行	87
表 4-41	希拉蕊各主題排行	87
表 4-42	小賈斯丁與泰勒絲各主題貼文比較表	89
表 4-43	小賈斯丁與泰勒絲整體貼文之比較表	89
表 4-44	小賈斯丁與泰勒絲分類主題比較表	89

圖目錄
圖 3-1	Lady gaga於Facebook上的貼文	17
圖 3-2	Lady gaga 於Facebook中一則粉絲回應圖	20
圖 4-1	Facebook 2014年月活躍人數	22
圖 4-2	Twitter 2014年月活躍人數	22
圖 4-3	歐巴馬-影響力與文章品質比較圖	27
圖 4-4	歐巴馬-文章品質	27
圖 4-5	歐巴馬-情感比率	28
圖 4-6	歐巴馬於3月20號的貼文	28
圖 4-7	歐巴馬於2月14號的貼文	29
圖 4-8	歐巴馬於2月20號的貼文	30
圖 4-9	歐巴馬於2月27號的貼文	31
圖 4-10	希拉蕊-影響力與文章品質比較圖	32
圖 4-11	希拉蕊-文章品質	32
圖 4-12	希拉蕊於4月27號的貼文	33
圖 4-13	希拉蕊-情感比率	33
圖 4-14	希拉蕊於3月16號的貼文	34
圖 4-15	希拉蕊於4月12號的貼文	34
圖 4-16	希拉蕊-Clinton Hillary prestent的Google趨勢圖	35
圖 4-17	小賈斯丁-影響力與文章品質比較圖	36
圖 4-18	小賈斯丁-文章品質	36
圖 4-19	小賈斯丁-情感比率	37
圖 4-20	小賈斯丁於1月4號的貼文	37
圖 4-21	小賈斯丁於1月21號的貼文	37
圖 4-22	小賈斯丁於4月22號的貼文	38
圖 4-23	小賈斯丁-Justin CK之 Google趨勢圖	39
圖 4-24	小賈斯丁1月7號的貼文	40
圖 4-25	小賈斯丁-Justin Calvin Klein Youtube趨勢圖	40
圖 4-26	Calvin Klien趨勢圖	41
圖 4-27	泰勒絲-影響力與文章品質比較圖	42
圖 4-28	泰勒絲-文章品質	42
圖 4-29	泰勒絲於1月9號的貼文	42
圖 4-30	泰勒絲情感比率	43
圖 4-31	泰勒絲2月26號的貼文	43
圖 4-32	泰勒絲1月17號的貼文	44
圖 4-33	泰勒絲Dover Police Shake ot off	45
圖 4-34	歐巴馬政治與非政治範疇分類圖	46
圖 4-35	歐巴馬-非政治範疇貼文的影響力、文章品質、情感比率	46
圖 4-36	歐巴馬-政治範疇貼文的影響力、文章品質、情感比率	47
圖 4-37	歐巴馬政治範疇貼文分類圖	47
圖 4-38	歐巴馬健保議題影響力與文章品質比較圖	48
圖 4-39	歐巴馬健保議題情感比率	48
圖 4-40	歐巴馬經濟議議題影響力與文章品質比較圖	49
圖 4-41	歐巴馬經濟議題情感比率	49
圖 4-42	美國消費者信心指數	50
圖 4-43	歐巴馬教育議題影響力與文章品質比較圖	51
圖 4-44	歐巴馬教育議題情感比率	51
圖 4-45	歐巴馬於3月10號的貼文	52
圖 4-46	歐巴馬3月18號的貼文	52
圖 4-47	歐巴馬移民議題影響力與文章品質比較圖	53
圖 4-48	歐巴馬移民議題情感比率	53
圖 4-49	歐巴馬勞工、就業議題影響力與文章品質比較圖	54
圖 4-50	歐巴馬勞工、就業議題情感比率	54
圖 4-51	美國失業率	55
圖 4-52	歐巴馬氣候、環境影響力與文章品質比較圖	56
圖 4-53	歐巴馬氣候、環境情感比率	56
圖 4-54	歐巴馬於3月30號的貼文	57
圖 4-55	歐巴馬政治議題影響力與文章品質比較圖	58
圖 4-56	歐巴馬政治議題情感比率	58
圖 4-57	歐巴馬於2月26號的貼文	59
圖 4-58	歐巴馬女權議題影響力與文章品質比較圖	60
圖 4-59	歐巴馬女權議題情感比率	60
圖 4-60	歐巴馬於3月8號的貼文	61
圖 4-61	歐巴馬能源議題影響力與文章品質比較圖	62
圖 4-62	歐巴馬能源議題情感比率	62
圖 4-63	希拉蕊政治與非政治範疇分類圖	64
圖 4-64	希拉蕊-非政治範疇貼文的影響力、文章品質、情感比率	65
圖 4-65	希拉蕊-政治範疇貼文的影響力、文章品質、情感比率	65
圖 4-66	希拉蕊政治範疇貼文分類圖	66
圖 4-67	希拉蕊參選議題影響力與文章品質比較圖	66
圖 4-68	希拉蕊參選議題情感比率	67
圖 4-69	希拉蕊政治議題影響力與文章品質比較圖	68
圖 4-70	希拉蕊政治議題情感比率	68
圖 4-71	希拉蕊女權議題影響力與文章品質比較圖	69
圖 4-72	希拉蕊女權議題情感比率	69
圖 4-73	希拉蕊同性戀議題影響力與文章品質比較圖	71
圖 4-74	希拉蕊同性戀議題情感比率	71
圖 4-75	希拉蕊社會議題影響力與文章品質比較圖	72
圖 4-76	希拉蕊社會議題情感比率	73
圖 4-77	小賈斯丁貼文分類圖	75
圖 4-78	小賈斯丁生活、心情分享影響力與文章品質比較圖	75
圖 4-79	小賈斯丁生活、心情分享情感比率	76
圖 4-80	小賈斯丁廣告代言影響力與文章品質比較圖	77
圖 4-81	小賈斯丁廣告代言情感比率	77
圖 4-82	小賈斯丁活動、節目宣傳影響力與文章品質比較圖	78
圖 4-83	小賈斯丁活動、節目宣傳情感比率	78
圖 4-84	小賈斯丁於1月28號的貼文	79
圖 4-85	泰勒絲貼文分類圖	80
圖 4-86	泰勒絲生活、心情影響力與文章品質比較圖	81
圖 4-87	泰勒絲生活、心情分享情感比率	81
圖 4-88	泰勒絲活動、節目宣傳影響力與文章品質比較圖	82
圖 4-89	泰勒絲活動、節目宣傳傳情感比率	82

中文部分
1.孔誠志(1998)。形象公關:實務操演手冊。台北縣:科技圖書。
2.古倫維、陳信希(2009)。中文意見分析之概況、技術與應用。計算語言學學會訊，20(5)，5-20。
3.邱淑華(2012)。從意見領袖到影響者:談網路時代的影響力行銷。廣告學研究，37，33-51。
4.林東泰(1999)。大眾傳播理論。台北:師大書苑。 
5.黃泓彰(2002)。網路評價搜尋結果的正負意見分類系統。(未出版之碩士論文)。國立政治大學資訊管理研究所，台北市。
6.鄭宇君、陳百齡(2013)。探索2012台灣總統大選之社交媒體浮現社群:鉅量資料分析取徑。新聞學研究，120，121-165。

英文部分
1.Asur, S., & Huberman, B. (2010). Predicting the future with social media. Web Intelligence and Intelligent Agent Technology (WI-IAT), 2010 IEEE/WIC/ACM International Conference, 1, 492-499.
2.Bell, D. (1975). Ethnicity and social change. In N. Glazer & D. P. Moynihan (Eds.), Ethnicity: Theory and Experience. 141-174. Boston, MA: Harvard University Press
3.Borgatti, S. P. (2005). Centrality and network flow. Social networks, 27(1), 55-71.
4.Bakshy, E., Hofman, J. M., Mason, W. A., & Watts, D. J. (2011). Everyone's an influencer: quantifying influence on twitter. Proceedings of the fourth ACM international conference on Web search and data mining, 65-74.
5.Berry, M. J. A. & Linoff, G. (2000). Mastering Data Mining. The Art & Science of Customer Relationship Management. NJ: John Wiley & Sons, Inc. 
6.Bollen, J., Mao, H., & Zeng, X. (2011). Twitter mood predicts the stock market. Journal of Computational Science, 2(1), 1-8. 
7.Berger, J., & Milkman, K. L. (2012). What makes online content viral?. Journal of Marketing Research, 49(2), 192-205.
8.Bollen, J., Pepe, A., & Mao, H. (2011). Modeling public mood and emotion: Twitter sentiment and socio-economic phenomena. Proceedings of the Fifth International AAAI Conference on Weblogs and Social Media, 17-21. 
9.Corey, L. G. (1971). People who claim to be opinion leaders: identifying their characteristics by self-report. The Journal of Marketing, 48-53.
10.Cha, M., Haddadi, H., Benevenuto, F., & Gummadi, P. K. (2010). Measuring User Influence in Twitter: The Million Follower Fallacy. ICWSM, 10(10-17), 30. 
11.Cha, M., Mislove, A., & Gummadi, K. P. (2009). A measurement-driven analysis of information propagation in the flickr social network. Proceedings of the 18th international conference on World wide web, 721-730.
12.Chen, W., Cheng, S., He, X., & Jiang, F. (2012). Influencerank: An efficient social influence measurement for millions of users in microblog. Proceedings of the Cloud and Green Computing (CGC), 2012 Second International Conference, 563-570.
13.Dave, K., Lawrence, S., & Pennock, D. M. (2003). Mining the peanut gallery: Opinion extraction and semantic classification of product reviews. Proceedings of the 12th international conference on World Wide Web, 519-528.
14.Demartini, G., & Siersdorfer, S. (2010). Dear search engine: what's your opinion about...?: sentiment analysis for semantic enrichment of web search results. Proceedings of the 3rd International Semantic Search Workshop, 4. 
15.Diakopoulos, N. A., & Shamma, D. A. (2010). Characterizing debate performance via aggregated twitter sentiment. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 1195-1198.
16.Freeman, L. C. (1979). Centrality in social networks conceptual clarification. Social networks, 1(3), 215-239.
17.Gilbert, E., & Karahalios, K. (2010). Widespread Worry and the Stock Market. Proceedings of ICWSM, 59-65. 
18.Goh, K. I., Oh, E., Kahng, B., & Kim, D. (2003). Betweenness centrality correlation in social networks. Physical Review E, 67(1), 017101.
19.Gong, N. Z., Xu, W., Huang, L., Mittal, P., Stefanov, E., Sekar, V., & Song, D. (2012). Evolution of social-attribute networks: measurements, modeling, and implications using google+. Proceedings of the 2012 ACM conference on Internet measurement conference, 131-144.
20.Goyal, A., Bonchi, F., & Lakshmanan, L. V. (2010). Learning influence probabilities in social networks.  Proceedings of the third ACM international conference on Web search and data mining, 241-250.
21.Grewal, R., Mehta, R., & Kardes, F. R. (2000). The role of the social-identity function of attitudes in consumer innovativeness and opinion leadership. Journal of Economic Psychology, 21(3), 233-252.
22.Group, F. H. & Owrang, M. M. (1995). Database mining: Discovering new knowledge and cooperative advantage. Information System Management, 12 (4), 2-33. 
23.Gruzd, A., Wellman, B., & Takhteyev, Y. (2011). Imagining Twitter as an imagined community. American Behavioral Scientist, 55(10), 1294-1318.
24.Hajian, B., & White, T. (2011). Modelling influence in a social network: Metrics and evaluation. In Privacy, Security, Risk and Trust (PASSAT) and 2011 IEEE Third Inernational Conference on Social Computing (SocialCom), 2011 IEEE Third International Conference, 497-500. 
25.Jamali, M., & Abolhassani, H. (2006). Different aspects of social network analysis. Proceedings of Web Intelligence, 2006. WI 2006. IEEE/WIC/ACM International Conference, 66-72.
26.Jansen, B. J., Zhang, M., Sobel, K., & Chowdury, A. (2009). Twitter power: Tweets as electronic word of mouth. Journal of the American society for information science and technology, 60(11), 2169-2188.
27.Java, A., Song, X., Finin, T., & Tseng, B. (2007). Why we twitter: understanding microblogging usage and communities. Proceedings of the 9th WebKDD and 1st SNA-KDD 2007 workshop on Web mining and social network analysis, 56-65.
28.Katz, E., & Lazarsfeld, P. (1955). Personal Influence: The Part Played by People in the Flow of Mass Communications. New York: The Free Press. 
29.Kim, E., Gilbert, S., Edwards, M. J., & Graeff, E. (2009). Detecting sadness in 140 characters: Sentiment analysis and mourning Michael Jackson on Twitter. Web Ecology, 3, 1-15. 
30.Koop, R., & Jansen, H. J. (2009). Political blogs and blogrolls in Canada: forums for democratic deliberation?. Social Science Computer Review, 27(2), 155-173.
31.Kossinets, G., Kleinberg, J., & Watts, D. (2008). The structure of information pathways in a social communication network. Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining, 435-443. 
32.Kouloumpis, E., Wilson, T., & Moore, J. (2011). Twitter sentiment analysis: The good the bad and the omg!. Proceedings of Icwsm, 11, 538-541. 
33.Leavitt, A., Burchard, E., Fisher, D., & Gilbert, S. (2009). The influentials: New approaches for analyzing influence on twitter. Web Ecology, 4(2), 1-18. 
34.Leskovec, J., McGlohon, M., Faloutsos, C., Glance, N. S., & Hurst, M. (2007). Patterns of Cascading behavior in large blog graphs. Proceedings of SDM, 7, 551-556.
35.Liu, J., & Seneff, S. (2009). Review sentiment scoring via a parse-and-paraphrase paradigm. In Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing, 1(1), 161-169.
36.Marsden, P. (2006). Consumer advisory panels: The next big thing in word-of- mouth marketing? Market leader, 33, 45-47.
37.Moreno, J. L. (1934). Who shall survive?: A new approach to the problem of human interrelations. D.C: Nervous and Mental Disease Publishing Co.
38.O'Connor, B., Balasubramanyan, R., Routledge, B. R., & Smith, N. A. (2010). From Tweets to Polls: Linking Text Sentiment to Public Opinion Time Series. ICWSM, 11(122-129), 1-2.
39.Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and trends in information retrieval, 2(1-2), 1-135.
40.Tausczik, R. L., & Pennebaker, J. W. (2010). The psychological meaning of words: LIWC and computerized text analysis methods. Journal of Language and Social Psychology, 29, 24-54. 
41.Piateski, G., & Frawley, W. (1991). Knowledge discovery in databases. MA: MIT press. 
42.Ramage, D., Dumais, S. T., & Liebling, D. J. (2010). Characterizing Microblogs with Topic Models. ICWSM, 10, 1-1.
43.Rattanaritnont, G., Toyoda, M., & Kitsuregawa, M. (2012). Characterizing topic-specific hashtag cascade in twitter based on distributions of user influence. Proceedings of the Web Technologies and Applications, 735-742.
44.Rogers, E. M. (1962). Diffusion of Innovations. NY: Free Press.
45.Romero, D. M., Galuba, W., Asur, S., & Huberman, B. A. (2011). Influence and passivity in social media. Proceedings of the Machine learning and knowledge discovery in databases, 18-33. 
46.Schaefer, M. W. (2012). Return On Influence: The Revolutionary Power of Klout, Social Scoring, and Influence Marketing. NY: McGraw-Hill Education
47.Silverman, G. (2001). The secrets of word-of-mouth marketing: How to trigger exponential sales through runaway word of mouth. NY: AMACOM. 
48.Stieglitz, S., & Dang-Xuan, L. (2013). Emotions and information diffusion in social media—Sentiment of microblogs and sharing behavior. Journal of Management Information Systems, 29(4), 217-248.
49.Sullivan, D. (2001). Document Warehousing and Text Mining. NY: Wiley.
50.Taboada, M., Brooke, J., Tofiloski, M., Voll, K., & Stede, M. (2011). Lexicon-based methods for sentiment analysis. Computational linguistics, 37(2), 267-307.
51.Talbot, R., Acheampong, C., & Wicentowski, R.(2015, June). SWASH: A Naive Bayes Classifier for Tweet Sentiment Identification. 9th International Workshop on Semantic Evaluation, Denver, Colorado.
52.Thevenot, G. (2007). Blogging as a social media. Tourism and Hospitality Research, 7(3-4), 287-289.
53.Tumasjan, A., Sprenger, T. O., Sandner, P. G., & Welpe, I. M. (2010). Predicting Elections with Twitter: What 140 Characters Reveal about Political Sentiment. ICWSM, 10, 178-185.
54.Turney, P. D. (2002, July). Thumbs up or thumbs down?: semantic orientation applied to unsupervised classification of reviews. Proceedings of the 40th annual meeting on association for computational linguistics, 417-424.
55.Watts, D. J., & Dodds, P. S. (2007). Influentials, networks, and public opinion formation. Journal of consumer research, 34(4), 441-458.
56.Weng, J., Lim, E. P., Jiang, J., & He, Q. (2010). Twitterrank: finding topic-sensitive influential twitterers. Proceedings of the third ACM international conference on Web search and data mining, 261-270.
57.Wu, S., Hofman, J. M., Mason, W. A., & Watts, D. J. (2011). Who says what to whom on twitter. Proceedings of the 20th international conference on World wide web, 705-714.
58.Ye, S., & Wu, S. F. (2010). Measuring message propagation and social influence on Twitter. Com In Bolc. L., Makowski. M.,& Wierzbicki. A. (Series Ed.). Social Informatics, 6430, 216-231.
59.Zhang, X., Fuehres, H., & Gloor, P. A. (2011). Predicting stock market indicators through twitter “I hope it is not as bad as I fear”. Procedia-Social and Behavioral Sciences, 26, 55-62.

網站部分
1. The Conference-Board. (2015, Jun. 30). Consumer Confidence Survey Retrieved from https://www.conference-board.org/data/consumerconfidence.cfm
2. United States Department Of Labor. (n.d.). 2015 Labor Force Statistics from the Current Population Survey. Retrieved from http://data.bls.gov/timeseries/LNS14000000