第二章 文獻回顧
2.3 重要面相彙整
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
29
1997]以及 NGD(Normalized Google Distance) [Cilibrasi and Vitanyi, 2007].
在本研究中，由於 Amazon 的星等系統僅用作整體商品評分，並無法得知評 論人對於商品各個面相的態度為正向或負向。本研究使用情緒辭典判斷字詞的情 緒。再藉由整合相關字詞情緒，取得一則評論對於商品各面相的態度。
2.3 重要面相彙整
就本研究所知，現有討論產品之「重要面相」的文獻仍然相當有限，現有研 究主要採用「頻率」與「複迴歸」等兩種方式找出重要面相。
Zhang and Narayanan (2010)藉由所有評論中討論各面相句子出現「頻率」
的多寡，估算各面相在消費者心目中的重要性。該方法假設被提到越多次的面相 在消費者的心目中越重要。其定義 RFFf=
∑ ，為被標籤作面相 f 之句 子的個數Nf，與所有被標籤作任一面相之句子的個數的相對比例。圖 9 為 Zhang and Narayanan (2010)藉由該方法所得，數位相機與電視機的重要面相排序。
圖 9 數位相機與電視之 RFF
Zhang et al., (2012)則指出，如果一個商品面相在負面評論中被提及的頻 率遠高於正面評論；或相較於其它競爭商品，該面相較常出現在負面評論，則該
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
30
面相很有可能是該產品的弱點。Zhang et al., (2012)以沐浴乳為例，自化妝品 網站取得各沐浴乳品牌的評論資料。在進行面相萃取及情緒偵測後，決定每則評 論對於各個面相的正負向，並經由比對各項頻率找出商品的弱點。
上述研究皆以面相在評論中被提及的頻率判定其重要性。然而，在評論中常 出現的面相並不見得能實際左右消費者對整體商品的評價與購買決策。Yu et al.
(2011)以 iPhone4 為例，指出有許多人在評論中提及不滿意「天線」這個面相，
卻無法在整體分數中顯現其不滿意的情緒，為一無差異品質。這樣的無差異品質 並無法在單純的頻率計算中突顯。
Wang et al. (2010)與 Yu et al. (2011)使用迴歸模型找出各個面相的權 重並作出排序。此方法假設每篇評論皆完整的描述商品的所有面相，使得該方法 僅適用於比較具有結構化的評論資料，例如許多旅館評論網站皆具體的要求使用 者針對預設的各個面相給與意見，如圖 10 所示。然而，現有大部分網站(例如 Amazon, facebook, …)中的消費者評論皆為非結構化資訊。在無提示與限制之 下，消費者往往在評論中僅提及其主觀所考量到的部分面相，並不會完整的評論 商品所包涵的所有面相。因此，在面對目前佔較高比例的非結構化資料時，複迴 歸分析將因難以取得全面、無遺漏值(Missing Data)的資料而無法使用。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
31
圖 10 Trip Advisor 結構性給分
無論使用「頻率」或「複迴歸」，現有辨別重要面相的研究皆沒有考慮評論 間的互相影響。消費者在上網撰寫評論時，通常已先看過其它人的評論，並因此 影響其撰寫評論的內容及意願[Moe and Schweidel, 2012]。一則評論所沒有提 及的商品面相，並不代表評論人覺得這些面相不重要、或沒有意見。評論人有可 能為了滿足獨特性，而只表達其不同於主流評論的意見。在本研究中，我們將針 對這個問題設計演算法，以偵測具有未表達意見的評論，並藉由評論間的關聯預 測其值。詳細內容將於下一章呈現。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
32