本研究資料之劇本文件，是從金穗獎優良劇本中挑出 12 個劇本進行研究；在 廣告產品簡介方面，是從維基百科查詢出廣告產品簡介內容進行分析研究；另外，
參考沈信佑研究的方法，產生劇本重點度之結果。在準備資料完成後，先從分析 劇本開始，劇本經中文斷詞系統，找出所有劇本內的特徵詞。
本論文特徵詞，運用於兩大部分：第一部分利用自動化分析重點度的方法來 分析劇本段落重點度為 4 及 5 分的段落，再用中文斷詞系統找出所有 NA 特徵詞，
以及利用廣義知網查詢所有 NA 特徵詞的上兩層延伸詞作為特徵詞使用。第二部 分利用廣告產品簡介內容經過中文斷詞系統分析出所有詞性，以廣告產品詞找出 前後 5 項的收集字，再篩選出詞性為 NA 的收集字，經過計算正規化頻率及 TF*IDF 之後，找出四組代表廣告產品的特徵詞，用來找出最佳推薦廣告。驗證方式將劇 本段落特徵詞與廣告產品四組特徵詞之比對，觀察找出段落分數最高前三名，可 以用來呈現最佳推薦廣告。最後，將此結果輸出，可提供結果給廣告商參考在哪 個時段下廣告。
經由本次研究後，發現本系統是可以得出預想呈現的結果，但效益或其他特 徵的取得，都是未來還可以改進及加強的地方，期望找到更多能夠擴充劇本及廣 告產品的特徵詞，一定會對本研究有非常大的幫助。本研究未來可再發展的方向 可從兩個部分進行：
一、劇本特徵詞
在劇本段落特徵詞上，本研究已實驗使用詞性 NA 尋找是非常合適的，但是 如果想要更精確，可以再加入更多特徵項目，像是情感方面的特徵項目，希望未 來能夠找到除了詞性特徵的其他方法，找出更多不同的特徵，使得本研究的準確
品推薦、部落格網站經由本系統能夠推薦可播放廣告，或是手機 APP 相關內容的 廣告推薦等。
二、廣告商品資料庫
期許未來可以擴充增加廣告資料庫，因為目前並沒有可以公開取得相關廣告 資料，如果未來可以收集到更多方面且更多元的廣告，就可以能夠進行更詳細的 廣告資料分析，而針對更多相關聯的廣告可以作更多的比對，能夠把整體系統在 更精細的調整且提升效能。
總而言之，在未來發展上，希望能夠使廣告產品資料庫實用化，將處理過的 廣告產品能夠記錄在資料庫，使廣告產品資料庫能夠越來越豐富且加大擴充資料 庫內容；而資料比對方面也可以朝更多元化的方向，找出更有效果的特徵，使得 資料分析與處理方面可以更快更有效率。
參考文獻
Blackstock, A., & Spitz, M. (2008). Classifying movie scripts by genre with a MEMM using NLP-Based features. Available at December 12, 2015 from nlp.stanford.edu/course/cs224n/2008/06.pdf.
Eliashberg, J., Jonker, J. J., Sawhney, M. S., Wierenga, B. (2000) MOVIEMOD: An implementable decision support system for pre-release market evaluation of motion pictures, Marketing Science, Vol. 19, No. 3, pp. 226-243.
Gil, S., Kuenzel, L., & Caroline, S. (2011). Extraction and analysis of character interaction networks from plays and movies. Technical report, Stanford University.
John, G. H., & Langley, P. (1995). Estimating continuous distributions in Bayesian classifiers. Proceedings of the Eleventh conference on Uncertainty in Artificial
Intelligence, pp. 338-345.
Li, S., Wang, Z., Zhou, G., & Lee, S. Y. M. (2011). Semi-supervised learning for imbalanced sentiment classification. Proceedings of the Twenty-Second
International Joint Conference on Artificial Intelligence, Vol. 22, No. 3, pp.
1826-1831.McCallum, A., Freitag, D., & Pereira, F. C. (2000). Maximum entropy Markov models for information extraction and segmentation. ICML, Vol. 17, pp. 591-598.
Mishne, G., & Glance, N. S. (2006). Predicting movie sales from blogger sentiment.
Proceedings of AAAI Spring Symposium: Computational Approaches to Analyzing Weblogs, pp. 155-158.
Qin, Y., Zhang, Y., Zhang, M., & Zheng, D. (2013). Feature-rich segment-based news event detection on twitter. Proceedings of 2013 International Joint Conference on Natural Language Processing, pp. 302-310.
中文斷詞系統, from http://ckipsvr.iis.sinica.edu.tw/
沈信佑，2016，“劇本文件探勘與廣告推薦之研究”，國立臺灣師範大學資訊工 程所碩士論文
金穗獎優良劇本, from http://www.movieseeds.com.tw/
維基百科, from https://zh.wikipedia.org/zh-tw/
廣義知網, from http://ehownet.iis.sinica.edu.tw/index.php