相關研究文獻

如第一章所述，目前本論文研究項目尚未有豐富的文獻可供參考，因此僅就 與本論文主題相關之文獻，探討可參考使用之技術，並整理如下：

(一) 從 Blogger 情緒預測電影銷售介紹

此篇文章是由學者 Mishne 和 Glance (2006)所提出的，該研究是運用情緒分 析方法，分析 Blogger 數據的結果在電影的領域是否具有較好的相關性，主要發 現是，評論中的正向情緒確實是電影是否成功的一項重要的預測。

此篇把 Blogger 上對於電影評價輿論分為正面(positive)、負面(negative)及混 合(mixed)，如圖 1 所示。該篇作者分析電影發行前及發行後的部落格情緒評論，

測試是否和電影票房有所關聯，並且和單純提及電影的次數互相比較，藉此了解 評論的影響程度。

在他們的實驗中使用的不同的基於極性的測量方法，得到的最佳相關值如下：

•在電影上映前：長度為 20 個字的文本集中正向評論的數量。

•電影上映後：長度 140 個字的文本集中的非中性評論的數量（此法和使用正向 評論數量的方式有著非常接近的效果）。

圖 1. 不同上下文的極性

(二) Twitter 新聞事件偵測

學者 Qin 等人則於 2013 年發表論文，研究 Twitter 新聞事件偵測之議題。

現今社會中，社群網站已經變成是生活中重要的一部分，此篇文獻所做的研 究，將社群訊息分類、分析資訊、找出訊息內是否含有新聞相關的內容。與本研 究相關的地方在於，本研究也需要分析文件，在文件中(在此指劇本)找出有用的 訊息，以推薦正確的廣告。以下為此文獻的介紹。

一般來說，tweets 可以被分成三類：

1. 新聞事件(news events)：例如美國 911 爆炸案。

2. 關注性高的訊息(hot topic)：散播於眾多使用者的議題，像是星座運勢等。

3. 其他類別(heterogeneous collections)或無意義的非事件推特文(

meaningless

non-event tweets

本篇論文使用 SVM 分類器偵測事件，特徵包含兩大類：統計類(9 項)及社會 類(6 項)。圖 2 即為此文獻運用不同的特徵集產生的實驗結果，評量結果包括精確 度、回收率與 F1 分數，最後一欄是各組實驗與實驗 0 比較的 F1 差異值。

圖 2. 使用不同特徵集的實驗結果

此篇論文發展的系統稱為 FRED，文中還與其他已發表的兩個系統互相比較：

Tweventu及 Twevent，比較結果如圖 3 所示。在圖 3 中，#Evt 是偵測到的事件個 數、P 為精確度、R 是回收率、F1 是 F1 分數。結果顯示該論文所提出的方法優 於其他系統。

圖 3. 三種系統的實驗結果

在這篇文獻中，可以看到用了非常多的數據顯示整個系統的表現力，在進行 本實驗時，此篇文獻幫助本實驗在比對資料時，發想歸類方法。

(三) 運用自然語言技術分類電影劇本

學者 Blackstock 和 Spitz 則於 2008 年發表論文，使用自然語言技術進行電影 劇本之分類。作者提及，分類文字的方式，無論是使用自然語言技術(NLP)或非 NLP 的技術，都是可見的。有很多分類的例子會使用作者書籍、網站或甚至博客 條目進行分類。在 Eliashberg 等人(2000)的研究中，作者對不同類型的消費者，研 究他們如何對一個特定的電影做出反應。而 Blackstock 和 Spitz 的研究則從劇本 文件中抽取一些以自然語言為基的特徵，經由 Naïve Bayes (John and Langley, 1995) 及 Maximum Entropy Markov Model (McCallum 等人, 2000)等分類器訓練及測試，

用來分辨電影劇本的類別。

此文獻運用自然語言技術分類電影劇本，因本實驗是在劇本上做擴展實驗，

所以有關劇本的文獻都曾參考，但此篇文獻多偏重於語意分析，最終只有參考分 類文字的方式，用在本實驗分類特徵詞時。

(四) 以半監督式學習技術進行不平衡語意分類

現今大多數的語意研究，都假設已標註或未標註的語料庫中，正向與負向的 意見是平衡的(balanced)，但現實世界不見得如此。這篇研究(Li 等人，2011)即探 討 此 議 題 ： 使 用 半 監 督 式 學 習 (semi-supervised learning) 技 術 進 行 不 平 衡 (imbalanced)語意分類的研究。方法是先找樣本，獲得多個樣本後，在樣本集中進 行訓練建立模組，最後利用多組訓練模組建立多個分類，再運用訓練出的分類測 試語意類別。

(五) 電影人物互動網路之擷取與分析

該研究是由 Gil 等學者在 2011 年所提出，主要由三個部分組成：

1. 從電影資料中擷取人物互動網路(character interaction network)，並以加權 圖表示。

2. 計算人物互動網路中的資訊屬性(informative property)。

3. 建構邏輯迴歸及決策樹分類器，利用這些屬性回答問題(例如：不同類型 的互動網路是否可以表示不同的戲劇與電影類別)。

最後就可以運用上述之方法，快速分類戲劇或電影是屬於哪種類別。

此篇文獻，參考到使用不同方法找出不同實驗結果時，可以組合之後再找出 更詳細的答案，運用在本實驗時，本研究先找出未來自動化高重點度的特徵詞，

再結合每段落的資訊得出最佳推薦廣告，即是本系統的最終結果，且可以產生每 個段落廣告最佳播映時機點。

(六) 劇本文件探勘與廣告推薦之研究

本篇研究是由沈信佑在 2016 年所提出，主要研究實驗資料分別由兩種來源 取得：第一種來源從金穗獎劇本找出 12 個劇本做為劇本文件資料，第二種來源為 隨機取得的一些廣告群做為廣告商品資料庫。

研究方法主要以兩個部分組成：

1. 計算各段落重點度:

首先需找出劇本中幫助分析重點度的特徵詞，而這些特徵詞將是日後分 析重點度時的關鍵。

2. 推薦最佳廣告:

每個段落內先找出所有特徵詞 Na，選取每個段落排名前三名的 Na 詞，

接著使用廣義知網找出延伸詞，幫助劇本內容與廣告商品的聯結，然後 再找出重點度特徵詞後，就可以分析劇本中各段落的評分狀況。

此篇文獻所提供的方法能夠幫助本研究在分析劇本段落重點度時，可以自動 化分析出段劇本落重點度，使本研究在分析劇本重點度的部分可以有自動化分析 的方法依據。