第四章 實驗結果與評估
4.3 字詞共現實驗分析
4.3.2 Flickr 所有城市字詞共現分析
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
4.3 字詞共現實驗分析
透過實驗以 Social Network Analysis（SNA）的 Gephi 軟體，將所有城市以 SNA 運 用字詞共現指標標註相關的 Tags 做為分析各洲的變化，並依照 Porter Stemming（weight）、 Lovins Stemming（weight）做比較，實現將各洲城市的所有 TAG 連結及探討分析。
4.3.1 建立無向共現網路
針對字詞建立網路建立網路是以無向性的共現網路（undirected co-occurrence network）來分析結果；由於 Tag 本身並無方向性，不像一段文章有前後順序，因此針 對 Flickr Tags 用於此方式時，建立網路取樣的 Tags 進行篩選條件的分析，觀察對於不 同的篩選條件下，所建立的無向性的共現網路與下一節所討論字詞共現指標是否在準 確度上所相關。
4.3.2 Flickr 所有城市字詞共現分析
本文在 2.5.2 章節提到字詞共現指標（Tag co-occurrence）的概念，利用此種方式將 關連的 Tag 做為合併後，更容易了解 41 個城市的輪廓，觀察 2.3.4 章節 Flickr Tag Clusters 分析中 Flickr 分析使用者聯想到的 Tags 與照片的關連性去合併，其中共分為 25 項，分 析每個城市前 100 個 Tag 分類，最後將這些字詞共現的 Tag 做為分類；以下是歸類的整 理（如表 4.4 所有城市各字詞共現的 Tag 與包含合併字詞分析）。
‧
communist 、 conventions 、 democracy、ethnic、event、editorial、
parliament 、 nationalism 、 surreal 、 empire、president、terrorism…
stripe grafitti 、 history 、 museum 、 statue 、 street 、 movie 、 mural 、 museum、statue、music、artwork、
ballet 、 barbie 、 creative 、 exotic 、 band、gallery、texture、theater、style、
favorite 、 tattoo 、 opera 、 stencil 、 modern、poetry、spotted、broadway、
popular、steel、drum、post、spray、
spraypaint 、 School teaching 、 cloudgate、samba… admiralty 、 action 、 adventure 、 accessorize 、 aerial 、 aggressive 、 bomb 、 mobile 、 model 、 fleet 、
market、pond、pool、bank、land、waterscape、red light district、factory、little india、venice、valley、field、great wall 、 champselysees 、 chaophraya 、 reservoir 、 cobblestones、everglades…
costume
cosplay、crossdress、decorat、dress、
shoe 、 mirror 、 boots 、 makeup 、 diamant 、 clothes 、 rouge 、 furry 、 manicured 、 retouch 、 kimono 、 package…
architecture
bridge、church、garden、monument、museum、palace、
park、skyscraper、square、baroque、gothic、pyramid、
brick、fountain、forbidden city、hall、observation deck、
ferris wheel 、 summerpalace 、 university 、 office 、 watercube、tiananmen square、great wall、structure、
aquarium、memorial、fernsehturm
sea
bay 、 beach 、 boat 、 dock 、 ford 、 harbour、island、mariner、seashore、
bund、coast、ferry、sand、crew、
shore、 port、 coastal、 marinelife、
fischmarkt、fishnet、intertidal…
world heritage 、 expo 、 midtown 、 rathaus、suburb、cityscape、planet、
lens 、 perspective 、 shot 、 planar 、 professional 、 shadow、 reflection 、 reflexion 、 retrato 、 retro 、 line abstract、illumination、silhouette…
plants
blossom、flower、fleur、forest、grass、leaf、petal、tree、
wood、orchid、peachtree、tulip、botanical garden、apple、
rose、 australis 、 palm trees 、 palmengarten 、 bloom、
waterlily、coral、coconut grove、vase、stamen、orchard、
hanami…
color blue、brown、gold、gray、green、
nature、orange、pink、red、yellow、 religion buddha、catholism、christian、christmas、church、hindu、
islam、mosque、monk、monster、saints、shrine、temple、
‧
admiralty 、 action 、 adventure 、 accessorize 、 aerial 、 aggressive 、 bomb 、 mobile 、 model 、 fleet 、poor、bank、red light district、factory、little india、venice、
field、great wall、champselysees、reservoir、cobblestone、
Mid-autumn festival 、 birthday、 festivity 、 firework 、 santa 、 parade 、 parc 、 salone 、 olympics 、 bazaar 、 International Flower Expo、greeting card、daily…
food
dessert 、 delicious 、 cafe 、 cake 、 cocacola 、 grain 、 sweet 、 lamb 、
athletes、hiking、sit、slide、corner、river side bikeway、
jeremy villasis、lifeguard、skate…
travel
其中 landscape、people、emotion、art、traffic、street 及 travel 等具有較高的字詞共 現度，因此聚集的範圍越大代表了每個城市 100 個 Tag 中使用者較容易下的 Tags 類型，
透過實驗數據結果了解世界照片的輪廓，而字詞共現本身也具有關連性；例如：Travel 與 Weather 就是息息相關，天氣好壞攸關旅行的照片數量，當好天氣時，所拍的照片數 量，一定比陰雨天來的多;另外像是街景藝術及建築藝術是經常被聽到，因此將這些 architecture、street 與 art 標示相關聯性，此外就 art、emotion、landscape 及 people 合併 字詞也是相當多，可見 Flickr Tag 是相當多元，當合併字詞後其圓圈中的 Tag 也因為合 併後有所增減，另外利用 NodeXL 計算出 emotion、people 及 art 中 Degree 依序各為 163、
111 及 112 數量，在 Betweenness Centrality 的部份計算出 95462、58898 及 58397 結果，
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
藉此即可分析出所有城市的輪廓（如圖 4.21 所有城市字詞共現）。
圖 4.21 所有城市字詞共現
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
透過本文 2.5.2 字詞共現指標中的公式（2.11）可分析出各 Tag 的重要性，以及可 得到分為後之分析結果（如表 4.5 所有城市與 Tag 字詞共現指標分析）。
表 4.5 所有城市與 Tag 字詞共現指標分析
tag tag∩city J（tag,city） tag tag∩city J（tag,city）
animal 29 0.707 people 41 1
architecture 21 0.512 plants 15 0.366
art 40 0.976 religion 8 0.2
beer 12 0.293 street 41 1
color 41 1 sea 15 0.366
costume 5 0.122 scenery 11 0.268
day 9 0.22 travel 41 1
emotion 41 1 traffic 37 0.902
food 17 0.414 view 21 0.512
home 5 0.122 weather 32 0.781 landscape 39 0.951 world 11 0.268 movement 23 0.561 war 21 0.512
例如 animal 交集 41 個 City 後，共交集 29 次，因此字詞共現指標為 0.707，而 travel 交集 41 個 City 後字詞共現指標為 1，運用此方式運算結果如下：
tag∩city={X︱X
tag 且 X
city}交集;tag∪city={X︱X
tag 或 X
city}聯集;city tag
city tag
city ) J(tag,。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4.22 以 travel 及 animal 為例字詞共現指標分析
利用社會網路軟體 Gephi 繪出以 travel 與 amimal 間連結分別為 41 個與 29 個城市 皆有關連，其字詞共現指標就為 0.707（如圖 4.22 以 travel 及 amimal 為例字詞共現指標 分析），另外像是 street 與 landscape 間連結分別為 41 個與 39 個城市關連，因此 street 與 landscape 字詞共現指標為 0.951，數值越高代表其字詞共現度越高。