實驗結果

現了部分資料點擁擠的現象；K-means 演算法在文件分群中時常被提出，且有部 分研究認為 K-means 與常見之其他分群方法（如階層式分析）相比要來的更佳，

‧ 國

立 政 治 大 學

‧

Na tiona

l Ch engchi University

91

天室互動，因此常出現的字串會有「上線」、「一起聽」、「七點」等等；另外有些 類型則是由 KKBOX 提供不同的情境歌單，邀請會員一起共同聆聽，出現的字串則 有「一起聽」、「音樂館」、「主題」等等。

處理列分群的結果上，我們抓取各群中貼文的歌手以及貼文資訊，並透過斷 詞將各群所有的詞語加總，捨棄掉不重要的字詞後，將剩下的字詞按照出現次數 排序，以這些字詞當作關鍵字去觀察各群貼文，藉此來觀察各群貼文在分群後，

各自有著什麼相似的地方以及彼此間有什麼不同。

列分群數量較低時，在分佈圖上結果不錯，但是由於貼文內容眾多且繁瑣，

分群數量低時，較難觀察各群的共同點與不同點，因此在最後我們選擇以 6.3.2 章節中圖 39 分數最高的列分群數 24 來進行分析，在反覆觀察貼文後我們將貼文 依據分群結果做了一些劃分，如圖 56 所示。

貼文的內容分為三大類：「音樂活動」、「其他活動」、「互動式貼文」。其中又 以音樂活動最多且複雜，在細部上也被分成較多群，而其他活動的部分，主要都 是和抽獎有關的活動，另外也有一些音樂文案的推廣。互動式貼文則是在分群 17 中所發現的，多為與臉書用戶互動之貼文，如「中秋連假你的計劃是！？ 小 K 我當然是睡到飽啦<3」、「面對現實吧！今天要補班補課...」，也會針對近期 娛樂新聞相關的歌手、明星寫一些貼文，因此在該群上歌手出現的數目眾多目的 在於增加 KKBOX 粉絲專頁在臉書上的曝光率，而這類的貼文巧妙地被 MSRIICC 分在同一群當中。

‧ 國

立 政 治 大 學

‧

Na tiona

l Ch engchi University

92

圖 56 列分群結果統整圖（數字代表分群）

由於貼文總類繁多，我們依照上圖 56 做了表格簡述各群的內容，表格 22 是音樂活動、表格 23 則是其他活動的部分，順序則按照圖中的分群數來做排序。

「歌單分享」的部分，和「一起聽」活動不同的是，貼文通常包含了連結，

有些是 Youtube 的歌曲 MV，有些是 KKBOX 的音樂大人物影片。而「一起聽」活 動則是分群中最複雜的地方，群 2 與群 5 是類似的活動，但因貼文的寫作模式不 同，分群剛好將 2015 年前後的貼文分成兩群，讓我們發現字詞之間的關係，可 區分出貼文的時間性；再看群 19 的部分，乍看之下和群 2 皆相同，但我們發現，

群 2 貼文在網址連結中間會空兩行，而群 19 則是只空一行，在這邊我們了解到 我們分群配合字詞的方法，亦可以區分出不同的文字編排方式；群 11 的部分，

‧

‧

透過以上分析發現到，MSRIICC 演算法所做的雙分群，能夠分辨出各種貼文 的架構，將類似形式的貼文分配在同一個群中。就像是自動替我們將字串設定好

‧

‧ 國

立 政 治 大 學

‧

Na tiona

l Ch engchi University

96

群 6、群 3、群 7、群 2 的關係較為複雜，我們推斷原因與出現次數有關，如圖 48 所示，以群 6 為例，群 6 的出現次數是 6～20 次，與群 3、群 7 出現次數相近，

因此在分佈上皆有重疊。

圖 57 行分群數 9 結果分佈圖（放大後）

貼文內容形形色色，字串亦非常的多，如 6.2.1 章節的圖 25 所呈現的，出 現次數高的字串相較於出現次數少的字串要來得少很多，讓整個圖片呈現了直角 三角的形狀。從行分群的結果來看，我們了解到 MSRICC 的分群依據，與字串的 出現次數產生了相當的關係，且在出現數較懸殊的部分，分群表現較佳，而右半 部密集度高的部分，隨著分群數上升，結果會越來越差，重疊性會越來越高。

‧ 國

立 政 治 大 學

‧

Na tiona

l Ch engchi University

97