情感分析

情感分析 (Sentiment Analysis) 又稱為意見分析 (Opinion Analysis) 或意見 探勘 (Opinion Mining)，其定義為「應用文字探勘技術從文字資料中進行情感或 意見的偵測、萃取與分析，並找到發言者對於特定對象或主題所發表的情感、意 見與態度」(Feldman, 2013; Pang & Lee, 2008)。情感分析主要可以分為兩大部分，

首先是針對文本的內容進行文字探勘，找出字詞、語句、段落，甚至是整篇文章 中所隱含的意見資訊。接著從這些字句中找出文本所隱含的意見傾向 (Polarity) 與意見強度 (Strength)。

情感分析中所分析的情感 (Affect)，是一個籠統概念，有時可以專指情緒 (Fox, 2008)。情緒 (Emotion) 是受到內部或外部刺激所產生的身心激動反應，影 響著我們對事物的理解，人是生物當中情緒最為豐富的動物，因此情緒在我們日 常生活中扮演十分重要的地位 (Pang & Lee, 2008)。

Mehrabian and Russell (1974) 針對人的情緒進行研究，提出了 PAD 情緒構面 (Pleasure-Arousal-Dominance Emotional State Model)，指出人的情緒可分為愉快

17

(Pleasure)、喚起 (Arousal) 和支配 (Dominance)。後來 Russell (1980) 認為，愉快 與喚醒才是情緒的主效果，因此衍伸出環狀情緒模型 (Circumplex Model)，任何 的情緒皆能夠透過這兩個維度衡量 (Russell, 1980)，並且表示在一個環狀的平面 上。其中的愉快便是情感分析中常見的正負向情感，又稱為情緒效價 (Valence)，

衡量方式為愉悅-不愉悅 (Pleasure-Displeasure)，例如快樂的相對於痛苦的；而情 緒喚起度指的則是情緒的激動程度，是我們對於該文字在生理或心理上所引發的 反應程度，當人們受到外界刺激被喚起後，將會活化我們的自律神經，進而促進 社群中的傳播行為。衡量方式為激發-不激發 (Activation-Deactivation)，例如激動 的相對於平靜的。如圖2-6 所示。

資料來源：王韋堯 et al. (2012) 圖2-6 Russell 等人情緒維度座標圖

人在評論過程中所帶有的正向或負向情感，將影響閱讀者的感受，因為帶有 情緒的評論較能傳達自身經驗 (Mousavizadeh et al., 2015)。Rozin and Royzman (2001) 指出社會中存在負向偏誤，人們對於負面的資訊感受較深，認為負面訊息 較正面或是中立的訊息有用，因為人在評斷某人或某物的好壞時，傾向給予正面

18

的評價 (Skowronski & Carlston, 1989)。

本研究將過去探討評論幫助性時納入情感的研究作整理，如表2-3 所示。許 多學者針對評論的內容進行情感分析時，皆是針對情緒效價的部分做衡量。Baek et al. (2012) 根據社會中存在的負向偏誤現象，計算評論中的負面詞彙比例，發 現負面詞彙較高之評論的幫助性較高。Siering and Muntermann (2013) 的研究結 果則顯示，根據產品類型的不同，經驗品的負向評論幫助性較高，搜尋品則是正 向評論獲得的幫助性較高。Mousavizadeh et al. (2015) 同樣也針對評論中的情感 進行分析，研究結果顯示無論含有正向或負向的評論較情感中立的評論有幫助，

因為帶有情感的評論較能夠傳達評論者的真實經驗。

然而在Salehan and Kim (2016) 的研究則指出，帶有情緒的內容被認為較不 理性，因此所獲得的幫助性票數較低。Chung et al. (2017) 針對旅館的線上評論 幫助性分析，則發現負面詞彙較多的評論被認為有幫助的可能性較低，其中可能 的因素是旅館服務是無形的，因此消費者傾向以客觀的角度去理解評論，因此情 感效果便不是主要影響因素。根據以上整理，評論幫助性的情感分析主要都針對 正負情緒效價，對於正負情緒與評論幫助性的影響說法也眾說紛紜。

表2-3 過往情感分析研究整理

作者 (年份) 情緒效價 情緒喚起度 Baek et al. (2012) V

Siering and Muntermann (2013) V

D. Yin et al. (2014) V G. Yin, Q. Zhang, et al. (2014) V V Mousavizadeh et al. (2015) V

Chen et al. (2016) V

Kuan, Smith, Liu, and Poon (2016) V Salehan and Kim (2016) V

Chung et al. (2017) V

本研究 (2017) V V

19

過往對評論幫助性的情感分析中，忽略了情緒喚起度的影響。根據環狀情緒 模型 (Russell, 1980)，人的情緒皆可以透過愉快與喚起兩個維度衡量。Berger (2011) 在社群資訊傳播的研究中發現，含有情緒喚起度的訊息能夠引發社群中 的同感，這類的訊息較能夠有效率的在社群中傳播。Berger and Milkman (2012) 研究也同樣發現，具有情緒喚起度的文字能夠提升傳播效果，並進一步指出高情 緒喚起度的評論相較於低情緒喚起度的評論更能提升傳播效果。

情緒喚起度相關的評論研究中，D. Yin et al. (2014) 針對負面評論進行分析，

以Anger 與 Anxiety 兩面向來衡量情感，發現低情緒喚起度的評論對幫助性的正 向影響較大；G. Yin, Q. Zhang, et al. (2014) 同時納入情緒效價與情緒喚起度，指 出無論是情緒效價或是情緒喚起度，皆能夠提升評論的幫助性，但是過於負面且 情緒喚起度高的文字反而會降低該篇評論的幫助性，這類的評論被認為是單純抒 發情緒的非理性行為；Kuan et al. (2016) 利用腦電圖來了解，情緒喚起度對於網 路評論的認知幫助性影響，其研究結果也指出具有情緒喚起度的評論能夠提升知 覺幫助性。

Lee, Narayanan, and Pieraccini (2002) 研究指出，人在溝通時會傾向使用某些 特定詞彙來表達情緒，在生活中無形建立了詞彙與情緒之間的關聯。因此在進行 情感分析時，通常會採用預先定義好的情緒字典 (Lexicon) 來判斷文本中的情感 傾向 (M. Hu & Liu, 2004)。

Bradley and Lang (1999) 針對 PAD 情緒構面 (Mehrabian & Russell, 1974)，

發展出ANEW 字典 (Affective Norms for English Words)。利用過去研究約參考過 去研究約 1,034 字 (Bellezza, Greenwald, & Banaji, 1986; Mehrabian & Russell, 1974)，讓 8 到 25 人組成的小團體逐一評定每字的愉悅、喚起與支配程度。後來 Warriner, Kuperman, and Brysbaert (2013) 延伸 ANEW 字典，並加入 Kuperman, Stadthagen-Gonzalez, and Brysbaert (2012) 與 Brysbaert, New, and Keuleers (2012)

20

研究中的字，透過Amazon Mechanical Turk 進行群眾外包，讓美國居民隨機分配，

針對每一個字進行評分，共包含有13,915 個英文字詞。

本研究周邊路徑將參考過往學者，同時納入情緒效價與情緒喚起度 (G. Yin, Q. Zhang, et al., 2014)，並透過 Warriner et al. (2013) 所設計的情緒字典，對 Amazon 電子商務平台上的平板電腦資料進行情感分析。

21