MENU 美食誌

MENU 美食誌是一款提供美食客(用戶)簡單紀錄並可快速搜尋好吃店 家的app，期望用戶在享用完每一間好吃的店家之後，也可以隨手將食記 心得紀錄在app 上，成為最懂吃的美食客(如圖 5)，且提供各種徽章象徵美 食客的”吃貨等級”，以及各自擅長、專業的美食領域。每隔一段時間，

MENU 美食誌亦會計算商家於某段時間內獲得的美食客打卡數，以打卡數 最多的商家賦予排行榜中的第一名，進而計算出前十名的排行榜，其排名 計算方式因以打卡數為計算基準，因此不受長期累計評分的評分匯總問題 或假評論問題所影響，且一旦排名發布後，在網路上可見時常會有媒體報 導其餐飲排行榜，可見其公信力，故本研究將MENU 美食誌的排行榜作為 最符合大眾喜好的標準餐廳排行。

圖 5. MENU 美食誌的美食客範例(2020)

2.2 評論探勘

評論探勘(Review mining)一詞根據 Jin 等人(2014)著作中的定義，將之定 義為透過分析評論且總結轉換成有用的資訊之流程，此流程能夠帶給分析者或 商家增加收入或是減少成本的利益，此外，亦可被稱為意見探勘(Opinion mining)( Kamal,2015)，意見探勘隸屬於網頁內容探勘(Web content mining) 的子類別，被定義為資料探勘技術的其中一種應用(圖 6.)，目的是利用自然語 言處理(Natural Language Processing)追蹤大眾對於一產品或服務的意見 (Perera & Caldera,2017)。

圖 6. 意見探勘以及相關領域 (Perera & Caldera,2017)

至於意見探勘一詞亦有不少研究將之視為情緒分析(Sentiment

Analysis)(林彩雯，2015)，目的均為對一主觀之資料進行分析，而目前主要的 情緒分析方法可分為兩種，分別是機器學習法(machine learning approaches) 和字典法(lexicon-based methods)。前者又分為監督式（Supervised）以及非 監督式（Non-Supervised）兩類，監督式即為利用標記好正負面極性的語料讓 機器學習，常用於文件分類，如支援向量機（Support Vector Machine），非監 督式則不需人工標記資料，而是透過資料之間的相似度進行分群，然而監督式 的準確率高於非監督式(Chaovalit & Zhou，2005)，至於後者字典法則是使用 現有的辭典(如：台大中文情感極性情緒辭典 NTUSD、知網 HowNet)對照文中的 情緒詞即可計算情緒分數(廖敏惠, 2015)。

2.2.1 情緒分析相關研究

而過往對於評論探勘的研究多著重於利用情緒分析技術將評論分類為 正面或負面，然而僅僅知道正負面意見並無法有效改善商家所提供的商品 或服務(Jin,2014)。在Perera 和 Caldera (2017)的研究中提到，若欲從評論 中人工擷取關於商家各方面的評價(如：價格、環境、地點、口味…等主題

資訊)，幾乎是不可能之事，因為有太大量的評論數目難以逐一分析，因此 這份研究採用自然語言處理方式，先從zomato 餐廳搜尋網站上蒐集 100 個 國家近一萬則評論，利用詞性標記器（part-of-speech tagger）將每個字詞標 上詞性，再利用相依性剖析器(dependency parser)將每個主題的意見詞擷取 出來，最後計算出每則評論對於每個主題的情緒分數。

其他關於餐廳評分機制的過往研究則趨於少數，但相較電影評分機制 或是書籍銷售評分機制卻有較多的研究探討，因為評分機制是否改善需透 過商家的利益收入是否增加得知，而書籍銷售量(Chevalier &

Mayzlin,2006)和電影收入(Moon, Bergey, & Iacobucci,2010)具有公開的 紀錄，但私人餐廳收入較難以取得，故較少關於餐廳評分機制的研究 (Jia,2018)。根據 Jia 的研究(2018)，作者利用多重線性回歸篩選出影響 口味、服務、環境評價最劇烈的因素。Gan(2016)認為過去研究普遍只找出 評論中關於食物、服務、環境、價格四個面向如何影響最終評分，因此利 用情緒分析從評論中找出第五個面向情境，研究結果顯示食物、服務、情 境影響最終評分最劇，其次為價格和環境。

而在廖敏惠(2015)的研究中，作者將大眾點評網的評論資料利用中研 院的 CKIP 中文斷詞系統斷詞後，進行人工標記情緒詞、搭配詞、程度 詞、否定詞、未知詞，並建立餐飲業專用詞庫，而後利用情緒分析計算出 每則評論的情緒分數，再與原評論的評分比對正確率，研究發現，對極性 強烈(情緒分數較高或較低)的評論可以達到 88-96%的準確率。李啟菁

（2010）則以字典法比對數位相機評論的情緒詞以及程度詞計算評論的情 緒分數，分析結果與人工給予的評分相似。Yang Liu 等人的研究(2017)則 是透過情緒分析與模糊裡論(fuzzy set theory)設計演算法分析用戶對於 替代性商品的線上評論，利用線上評論將商品進行推薦排名。因此本研究 嘗試將評論透過情緒分析轉換為情緒分數，再進行後續的餐廳推薦排名計

算。

在本研究中，斷詞系統可採用發展至目前為止具有高精準度且被廣泛 應用於各研究中的 CKIP 中文斷詞系統(An, 2011)或是結疤斷詞系統 (Jieba)(2016)，而後利用台大擴增情緒辭典(ANTUSD) (Shih-Ming, 2016) 搭配人工標記的餐飲領域擴增情緒詞彙，對於餐飲業的評論進行情緒分數 的計算，相較單純使用台大擴增情緒辭典(ANTUSD) (Shih-Ming, 2016)，

加入擴充的餐飲領域情緒詞彙較能夠在餐飲評論中識別出特殊的情緒詞。

2.2.2 現有評分機制問題

而本研究主要目的之一在於利用情緒分析嘗試建立餐飲評分機制，計 算出餐廳排名結果，並排除現有評分機制所潛藏的問題，包括虛假評論、

長期累計評分的評分匯總（rating aggregation）問題以及評論與評分不 符問題，導致排名結果無法反應近期使用者的喜好，以下將分別進一步進 行文獻探討。

2.2.2.1 假評論問題

針對假評論的問題，亦有相關研究持續探討，在 Luca(2016)對於 Yelp 假評論的研究中有四項發現指出，第一，大約有 16%的評論被篩 選為有假造的嫌疑，這些評論通常具有較極端的喜好，可能為極度支 持或是極度反對，第二，當餐廳有較少的評論或是有較多負面評論 時，較容易引起餐廳自行提交假評語，第三，對於受益於 Yelp 的連鎖 店較不會自行假造假評語，第四，當店家面臨的競爭提高時較容易收 到負面的假評語。而 Akoglu 等人(2013)則提出一個可快速且有效辨識 假評論的框架，FRAUDEAGLE，有別於一般利用文字探勘或行為分析方 法偵測假評論，作者利用評論者和產品的網路效應，將評論者和評論 賦予一分數以偵測假評論及假評論製造者，對於大量的評論內容也相

當適用。

由過去文獻可發現假評論確實存在，且為數不少，而過去研究解 決假評論問題的方式都是透過文字探勘、行為分析或是 Akoglu 等人 (2013)提出的網路效應篩選假評論，但是本研究將以不同方式處理假 評論問題，希望透過評論者影響力高低調整評論權重，藉此降低假評 論的權重，而非直接偵測假評論。

2.2.2.2 評分匯總問題

除了假評論問題之外，評分匯總（rating aggregation）亦是許多研 究探討的議題之一，評分匯總意指長久累計評分導致評分結果無法反 映店家的真正品質，如Dai 等人(2018)研究中所述，舉例而言，A 餐廳 在前12 個月獲得 2 顆星評價，後 12 個月獲得 4 顆星，而 B 餐廳在前 12 個月獲得 4 顆星評價，後 12 個月獲得 2 顆星，在整體評分結果卻 是相同的，造成參考者無法判斷B 餐廳實際上品質正在下降，而誤選 B 餐廳，因此作者根據評論的資訊含量、評論的時間、評論者是否為 Yelp 認證的精英賦予評分不同權重，設計新的演算法計算整體評分。

此外，在現有的評分網站中，yelp 根據認證的菁英賦予較高的評分權 重，大眾點評網則根據時間因素，愈近期的評論給予較高的權重，反 之亦然，以期望改善評分匯總的問題。

過去文獻當中透過不同因素調整評分的權重，包括評論者個人特 質、時間因素、資訊含量等，而本研究也將考慮進這些因素並且在個 人特質的部分加入影響力的因素，透過不同方式解決評分匯總問題。

2.2.2.3 評論與評分不符問題

除了上述評分問題之外，不可否認的，並非所有的評論者都會給 予一致的評論與評分，倘若評分無法反映評論內容，則可能導致整體

評分的偏差，無法真正反映商品或服務的品質好壞，在Riyanul Islam(2014)的研究中提出一個新的評價系統，為了移除使用者評分與 評價之間的模稜兩可，藉由整合原星級評分和評論的數值極性(情緒分 數)，產生調整後的評分，驗證結果顯示，由調整後的評分總結計算的 整體評分更能夠反映產品或服務的品質。

過去關於評論與評分不符的文獻專注在評論的情緒分數計算，而本研究亦 會實作情緒分析技術計算評論的情緒分數，但是不同之處在於本研究不考慮使 用者的原始評分，而是直接利用評論轉成的情緒分數代表評論者的真正意見，

接著直接考慮進評論者影響力作為評分權重調整，以去除可能的潛藏問題，包 括假評論帶來的”洗評分”問題以及無法即時反應用戶意見的評分匯總問題，

而接下來將針對 Instagram 社群行銷的文獻進行探討。

2.3 Instagram 社群行銷

至今已有愈來愈多的用戶透過Instagram 搜尋美食，同時也愈來愈多的美食 部落客在Instagram 社群上發展，由金蛋網路數位行銷公司(2018)的調查中亦指 出，許多店家因為經過粉絲數多、影響力大的美食相關媒體或粉絲專業(如：

ETToday 餓勢力、波波發胖)介紹後，知名度大漲，業績翻倍成長，因此本研究 選擇將Instagram 用戶影響力作為本研究建立餐飲評分機制的權重依據，此外，

Instagram 打卡數、hashtag 數是否對排名結果有所影響，也將在此章節進行文獻 探討。

2.3.1 主題標籤行銷

主題標籤(Hashtag)是一個在各大社群媒體(如:Facebook, Instagram, twitter)上被廣為使用的標記方式，任何人都可以在自己的文章裡寫上欲 標記的詞彙，而他人可以透過搜尋主題標籤(Hashtag)，篩選出有附上此標 籤的文章，因此在社群媒體上常被商家用來增加品牌認知度(Brand

awareness)，宣傳自家的商品或服務(Bhasin,2019; Vedantam,2017)。而 主題標籤行銷則是商家透過主題標籤在社群網路上宣傳活動，並找到真正 目標客群(Target audience)的行銷方式之一(Bhasin,2019)。而許多商家 也開始尋求社群媒體上的網路紅人(Social media influencer)或是意見領

awareness)，宣傳自家的商品或服務(Bhasin,2019; Vedantam,2017)。而 主題標籤行銷則是商家透過主題標籤在社群網路上宣傳活動，並找到真正 目標客群(Target audience)的行銷方式之一(Bhasin,2019)。而許多商家 也開始尋求社群媒體上的網路紅人(Social media influencer)或是意見領