影響力分析

至今已有許多針對影響力進行分析的研究，而本研究選擇嘗試將Instagram 中每則評論轉換後的情緒分數，透過Instagram 的用戶影響力進行調整後計算餐 廳排名，因此將在此章節進行影響力的相關文獻探討。

2.4.1 社群影響力計算方式

在過去已有許多針對社群網路中用戶之間的訊息傳播與影響力計算之 研究，最早在此領域提出的研究之一是Domingos 與 Richardson(2002)利用 機率方式探討社群網路使用者之間的互動關係，並透過此方式將影響力最 大化問題視為演算法之問題。Kempe 等人的研究(2003)則是最早將影響力 最大化問題視為最佳化之問題，並提出independent cascade model(IC)和 linear threshold model(LT)兩種 model 作為評估影響力程度的依據，

independent cascade model(IC)模型即是探討如何模擬社群網路中影響力的 擴散，此外，Kempe 等人(2003)亦利用貪婪演算法(Greedy algorithm)，計算 出各節點在社群網路中的影響力後，找出社群網路中具有影響力的使用 者。Tian Zhu 等人的研究(2009)利用 pagerank(Page, Lawrence 等人, 1999)計 算社群中各成員的pagerank 值，分為社群內影響力的 InnerPagerank 以及對 其他社群的影響力OutterPagerank，根據計算結果定義每個節點代表的角 色，包括Normal node、Bridge node、Core node、Huge influence node。

至於現今社群中的影響力計算亦可由社群自行定義，例如：痞客幫部 落格依據用戶產生的文章內容(user generated content)與用戶之間的互動過 程定義出五種用戶的社群影響力指標，分別為搜尋力(Search)、擴散力 (Share)、人氣力(Publicity)、互動力(Engagement)與號召力(Drive)(痞客邦，

2020)，各指標意涵如下表：

 搜尋力 Search

內容資訊透過搜尋引擎被搜尋出現的頻率，包含文字闡述、圖文品質、以期 達到質量符合瀏覽者期待的程度。

 人氣力 Publicity

強調內容資訊在網友閱讀過程中發生的忠誠度行為，包含被造訪次數、閱讀 停留時間、被訂閱關注數、不重複訪客數…等。

 擴散力 Share

因社群經營者的內容資訊於站內外被引用的廣泛程度，包含站內外來源流 量…等。

 互動力 Engagement

因著內容資訊產生與會員或粉絲的各項互動行為，包含推、給分、留言…

等。

 號召力 Drive

透過閱讀內容資訊或是互動，引發會員產生實際行動，達成實際成效的引 導。

痞客幫社群影響力指標(痞客幫官方網站, 2020)

透過這五種指標，用戶可以觀察到自己的文章內容是否對社群中其他會員 或是在整個網際網路中造成實際影響。

依據陳佳雯於探討Instagram 美食圖片內容力及社群影響力對按讚行為 之影響的研究(2017)中分析，社群平台的影響力可在不同面向中呈現，包 括讚數、留言、分享，然而研究發現Instagram 的留言現象較不盛行，而分 享功能亦僅限將Instagram 的貼文分享到其他的社群上(如：facebook、

twitter)，無法達到如同 facebook 的分享功能可在同一個社群中分享各個用 戶的貼文，進而達到擴散的效果，故此篇研究將按讚數作為衡量社群影響 力的因素，而Ling Hang Yew 等人(2018)亦考慮貼文按讚數以及貼文觸及數 作為instagram 用戶影響力的計算因素，但是受限於貼文觸及數僅限使用者 本人觀看，本研究無法透過爬蟲爬取此項資訊，因此綜合上述，本研究以 直觀而言，一則貼文獲得的按讚數在一定程度上可視為成功影響用戶對其 進行按讚的動作，故將按讚數設計為用戶的影響力。

2.4.2 社群影響力與排名之關係

上一小節中提到各種社群影響力的計算方式，然而，若以pagerank 而 言，pagerank 可用來計算網頁的排名(Page, Lawrence 等人, 1999)，而 pagerank 的概念則說明了一個網頁被其他網頁鏈結的數量，代表著此網頁 的重要性，愈多網頁鏈結到的網頁(pagerank 高)，其重要程度愈高，意即影 響力愈大的網頁在大眾心中的搜索排名就愈前面，同理，pagerank 高的網 頁所主動鏈結到的網頁，其重要程度也會變高，因此本研究嘗試以此概念 設計餐飲評分機制，按讚數多的貼文代表其重要性愈高，影響力愈大，其 評論內容受到愈多用戶的認可，此篇貼文所介紹的餐廳也就具有一定程度 的重要性，在大眾心中的排名也可能隨之上升，反之，若貼文內容為負面 情緒，則會降低在大眾心中的排名，因此本研究嘗試將按讚數視為用戶貼 文所具有的影響力，並作為後續計算餐廳排名的依據之一。

此外，吳美慧也在文章強度、部落客評價及推薦產品取得方式對購買 意圖之影響的研究(2013)中，以美妝保養部落格為例，調查有閱讀美妝部 落格習慣的女學生共120 人，利用 SPSS 統計分析，證實部落格文章的強 度愈強，讀者對其推薦之產品所抱持的態度會愈好，並證實若讀者對產品 的態度愈好，也會增加讀者對產品的購買意願。陳美如等人在線上口碑對 消費者購買意圖之影響－網路論壇的實驗研究(2012)中亦證實，網路論壇 中產品評論的內容豐富度愈高且推薦此評論的人數愈多，資訊搜尋者就愈 會認為此文章內容具有參考價值。因此，綜合上述，若將餐廳視作上述研 究中的產品，本研究推測社群影響力與餐廳排名之間將具有一定程度的關 係，因此在計算餐廳排名的過程中加入社群影響力之因素。

2.4.3 社群影響力結合情緒分數與排名之關係

在2.2.1 節中提及，過去研究證實透過情緒分析將評論轉為評分可代表

用戶對於產品的評分，因此本研究的餐廳排名計算方式即是將評論透過情 緒分析轉換為情緒分數，且在前一小節提及社群影響力與餐廳排名之間具 有一定程度的關係，故本研究將再加入用戶影響力的因素設計排名演算 法。

K. Zhang 等人的研究(2011)即是利用 Amazon 的顧客評論資料設計產品 排名的模型，調整評論中各個因素的權重，為每一個產品計算排名分數，

且最終模型產生的產品排名與產品實際的銷售排行類似。現有評分機制的 大眾點評網亦是將用戶的信譽程度作為用戶評分的權重調整依據，此外，

網路溫度計(2020)的網路口碑排行榜亦是將網路聲量與網友評論的語意情 緒進行綜合評比，最終計算出各領域的口碑排行榜。因此，綜合上述，本 研究將社群影響力與情緒分數結合，將評論透過情緒分析轉換為情緒分數 後，再將評論者的影響力作為評分的權重調整依據，計算出餐廳的排名分 數，最終產生餐廳的排行結果。