在社群媒體中找尋可供口碑行銷之意見領袖 - 政大學術集成

全文

(1)國立政治大學資訊科學系 Department of Computer Science National Chengchi University 碩士論文 Master’s Thesis. 立. 政治大. ‧ 國. 學. 在社群媒體中找尋可供口碑行銷之意見領袖. ‧. Finding Opinion Leaders in Social Media for. Nat. n. al. er. io. sit. y. Word-Of-Mouth Marketing. Ch. engchi. i n U. v. 研究生. ：高莞茜. 指導教授. ：李蔡彥. 中華民國一百零八年一月 January 2019. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(2) 摘要在社群網路的快速發展下，社群平台上的資訊交流、經驗分享與互動已成為人們生活的一部份。而社群網路上也出現了眾多意見領袖，經由這些意見領袖的發言，帶動他人回應、分享、按讚，進而影響更多的人，形成了所謂的口碑行銷。然而在廣大的社群平台中，如何找到可有效進行口碑行銷的潛在意見領袖，是一個具挑戰性的問題。我們. 政治大 Long Tail） [1]以及商品特徵找尋特定商品潛在的意見領袖，進行排名。在尋找適合之立. 希望透過文章內容、發文數量、按讚數、留言數、分享數……等數值，依據長尾理論（The. ‧ 國. 學. 意見領袖的過程中，也進一步的探索與商品特性相關的關鍵字。本研究以 Facebook 粉絲團為主要研究目標，開發一個線上視覺化系統，以圖形化. ‧. 介面方式呈現系統推薦，幫助行銷人員挑選符合需求的粉絲團，並在找尋的過程中掌握. y. Nat. io. sit. 與商品相關的詞彙。希望透過這些粉絲團的宣傳，對特定商品進行口碑行銷（Word of. n. al. er. Mouth） [2]，以達到精準行銷（Precision marketing） [3]的目的。本系統透過使用者使. Ch. i n U. v. 用實驗，取得使用者回饋，並驗證系統的可用性。。從實驗結果顯示，本研究所設計的. engchi. 視覺化分析系統具有幫助找尋潛在的意見領袖的功能，並證實了本系統的發展價值。. i. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(3) Abstract With the rapid development of the social network, people use social networking platforms to exchange information, share experience and interact with other people every day. There also exist many opinion leaders on the social network, and their words can encourage users to respond, share information and click the like button, forming the so-called word-of-mouth marketing. However, in the huge social networking, how to find potential opinion leaders who. 政治大 the potential opinion leaders of specific product based on characteristics of social network 立. can effectively promote word-of-mouth marketing is still a challenging issue. We hope to find. ‧ 國. 學. platforms such as the content of articles, the number of posts, the number of likes, the number of comments, and the number of shares, etc. Based on “The Long Tail” theory and the. ‧. characteristics of a given product, we hope to find and rank effective opinion leaders while. y. Nat. sit. discovering keywords related to the product in the exploration process.. n. al. er. io. In our research, focusing on the Facebook’s fan groups, we have developed an online. Ch. i n U. v. visualization system to recommend fan groups through graphical interface. We hope to help. engchi. marketers choose fan groups easily, and collect keywords related to product in the process of finding fan groups. We hope that through these fan groups, Word-of-Mouth can be used to promote specific products for precision marketing. We have conducted user experiments to verify the usability of the system and obtain user feedbacks. The experimental results and user feedbacks reveal that our visualization system indeed can help users find out potential opinion leaders for a given product, which confirms the value of developing such a system.. ii. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(4) 致謝終於到了寫謝詞的時候！在碩士班的生涯中，最感謝我的指導教授李蔡彥老師，在老師忙碌的行程中，還是會撥出時間與學生開會、互動，在每次與老師開會的過程中都學到很多東西，不單單是研究方面的指導，待人處事的態度更讓人敬佩。跟著老師學習這兩年多的時間，讓我感受到自己學業以及專業技術上有很大的提升。再來感謝水火計畫中的陳百齡老師和鄭宇君老師，每兩周一次的計畫會議，在跨領域的合作. 政治大. 上了解對於傳播背景的想法及觀點以及各種社群媒體平台的了解，透過交流，才使我. 立. 完成我的論文。另外，謝謝擔任校外委的謝吉隆老師，在老師口試後給予了許多很好. ‧ 國. 學. 的建議，像是如何包裝我的系統，讓更多人理解以及未來可能的發展。在研究階段，. ‧. 對於給予各種幫助以及教導的老師們，真心表達感謝！. sit. y. Nat. 除了老師們之外，感謝 IMLAB 的成員們！真得很高興成為這個大家庭的一份子，. n. al. er. io. 感謝小蜜蜂學長在我有各種技術上的問題時都熱心的幫助我、感謝 Eason 學長就算畢. v. 業上班忙碌還是回我無知的問題、感謝君孝學長使我開啟了對 Facebook 的研究、時常. Ch. engchi. i n U. 提供我食物和一起聊電動的文璇，以及學弟妹莞瑜、清玉、家至、濟毅、苡雋。另外感謝水火計畫的成員，非常感謝你們耐心的當我實驗受試者，使我能評估我的系統！以及感謝盧安邦博士，感謝他在忙碌的時候還幫我看我的系統，使我更加了解使用者的需求。謝謝大家的幫助！！沒有大家我的研究生生活才不會那麼有趣！最後，非常感謝家人一路上的陪伴與鼓勵，當我怠惰時也會即時的鞭策我，感謝經濟上的資助，讓我能全心全意的投入到我的研究當中。你們是我最好的避風港，謝謝你們！高莞茜. 2017/01/21. iii. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(5) 目錄摘要 ............................................................................................................................................. i Abstract ....................................................................................................................................... ii 致謝 ........................................................................................................................................... iii 目錄 ........................................................................................................................................... iv 圖目錄 ...................................................................................................................................... vii 表目錄 ....................................................................................................................................... ix 第1章. 導論 ............................................................................................................................ 1. 治政大 1.2 研究目標 ...................................................................................................................... 3 立 1.3 論文貢獻 ...................................................................................................................... 4 1.1 研究動機 ...................................................................................................................... 1. ‧ 國. 學. 第 2 章相關研究 .................................................................................................................... 6 2.1 意見領袖在社群網路中的影響 .................................................................................. 6 第3章. ‧. 2.2 PageRank 在社群網路中的應用 ................................................................................. 7 系統架構與設計： .................................................................................................... 9. sit. y. Nat. 3.1 系統設計與概觀 ......................................................................................................... 9 3.2 資料來源（Data Collection） .................................................................................. 10. io. n. al. er. 3.2.1 Facebook .......................................................................................................... 10. i n U. v. 3.2.2 維基百科 ......................................................................................................... 12. Ch. engchi. 3.3 資料前處理（Data preprocessing） ...................................................................... 13 3.3.1 中文斷詞 ......................................................................................................... 13 3.3.2 移除停用詞 ..................................................................................................... 14 3.4 資料分析（Data Analysis） ..................................................................................... 14 3.4.1 PageRank ......................................................................................................... 14 3.4.2 影響力計算（Influence Calculate） .............................................................. 15 3.4.3 Word2Vec........................................................................................................ 15 3.5 使用者介面（User Interface） ................................................................................ 17 3.5.1 推薦關鍵字（Recommend Keyword） ........................................................ 18 3.5.2 粉絲團影響力（Fan-Page Influence） ......................................................... 19 3.5.3 粉絲團關聯圖（Fan-Page Network） .......................................................... 19 3.5.4 原始文章顯示（Document Detail） ............................................................. 21 iv. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(6) 第4章. 系統實作 .................................................................................................................. 23. 4.1 資料來源及資料屬性 ............................................................................................... 23 4.2 各資料來源前處理 ................................................................................................... 26 4.2.1 建立斷詞字典 ................................................................................................. 26 4.2.2 Facebook 的資料內容與資料作整併............................................................. 27 4.2.3 Facebook 的資料內容的清理及斷詞............................................................. 28 4.3 演算法與使用者介面的詳細操作流程 ................................................................... 29 4.3.1 關鍵字搜尋 ..................................................................................................... 30 4.3.2 粉絲團影響力成績 ......................................................................................... 30. 政治大. 4.3.3 PageRank 網路圖 ........................................................................................... 32 4.3.4 粉絲團與關鍵字相關的文章細節: ................................................................ 34. 立. 4.4 操作實例 .................................................................................................................. 36. ‧ 國. 學. 4.4.1 以壽司為例 .................................................................................................... 36 4.4.2 以咖哩為例 .................................................................................................... 41 實驗設計與結果分析 .............................................................................................. 42. ‧. 第5章. 5.1 實驗目標 ................................................................................................................... 42. y. Nat. 5.2 實驗對象 ................................................................................................................... 42. sit. 5.3 實驗流程 ................................................................................................................... 43. er. io. 5.3.1 引導式任務 .................................................................................................... 44. al. n. v i n Ch 5.3.3 問卷與訪談 .................................................................................................... 46 engchi U 5.4 實驗結果分析與討論 ............................................................................................... 51. 5.3.2 指定任務 ........................................................................................................ 45. 5.4.1 系統功能評估問卷分析結果 ........................................................................ 51 5.4.2 系統整體評估 ................................................................................................ 53 5.4.3 指定任務結果 ................................................................................................ 55 5.4.4 開放性問答與訪談的結果 ............................................................................. 56 第6章. 結論與未來展望 ...................................................................................................... 58. 6.1 研究結論 ................................................................................................................... 58 6.2 未來發展與改進 ....................................................................................................... 59 6.2.1 關鍵字推薦的改進 ........................................................................................ 59 6.2.2 粉絲團影響力成績顯示的改進 .................................................................... 59 6.2.3 PageRank 網絡圖的改進 ................................................................................ 59 v. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(7) 6.2.4 粉絲團與關鍵字相關的文章細節 ................................................................. 60 6.2.5 未來應用 ........................................................................................................ 60 參考文獻 .................................................................................................................................. 61 附錄 .......................................................................................................................................... 64 附錄一引導式任務 ........................................................................................................ 64 附錄二受試者開放性問題回饋 .................................................................................... 74. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. vi. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(8) 圖目錄圖 1 國人擁有社群帳號比例 ................................................................................... 2 圖 2 國人使用社群網站的頻率 (每週使用三次以上)........................................... 2 圖 3 系統概觀與流程 ............................................................................................. 10 圖 4 第一層留言及第二層留言之舉例 ................................................................. 12 圖 5 CBOW 以及 Skip-gram 架構示意圖 ............................................................. 16 圖 6 CBOW 以及 Skip-gram 範例 ......................................................................... 17 圖 7 推薦字詞概念圖 ............................................................................................. 18. 治政大圖 9 粉絲團關聯圖概念圖 ..................................................................................... 20 立 ............................................... 21 圖 10 透過共同留言者的連結而形成不同的族群圖 8 粉絲團影響力概念圖 ..................................................................................... 19. ‧ 國. 學. 圖 11 原始貼文顯示概念圖 ................................................................................... 22 圖 12 每則貼文所使用到的資料 ........................................................................... 25. ‧. 圖 13 各粉絲團所用到的資料 ............................................................................... 26 圖 14 透過維基百科建立詞彙字典之流程圖 ....................................................... 27. sit. y. Nat. 圖 15 關鍵字搜尋之操作流程 .............................................................................. 29 圖 16 關鍵字組合變化使得系統所推薦的關鍵字不盡相同 ............................... 30. io. n. al. er. 圖 17 與關鍵字相關前 10 名粉絲團的極座標圖 ................................................. 31. i n U. v. 圖 18 各關鍵字前 10 名的粉絲團統計次數的文字雲圖 .................................... 32. Ch. engchi. 圖 19 PageRank 網絡圖的系統介面圖 .................................................................. 33 圖 20 PageRank 網絡圖中邊上所顯示的共同使用著數量 .................................. 34 圖 21 粉絲團與關鍵字相關文章細節的系統介面圖 ........................................... 36 圖 22 在搜尋欄位上打「壽司海苔」 ................................................................ 36 圖 23 點選系統所推薦的關鍵字「蓋飯」 ........................................................... 37 圖 24 點擊各關鍵字極座標影響力第一名的粉絲團 ........................................... 37 圖 25 從粉絲團與關鍵字相關的文章細節 ........................................................... 38 圖 26 點選 Only Post 並在進階篩選處打「野餐在家」 .................................. 38 圖 27 透過進接篩選了解其他與商品相關的關鍵字 ........................................... 38 圖 28 透過關鍵字前 10 名的粉絲團統計次數的文字雲圖了解搜尋關鍵字間的關係以及尋找適合的粉絲團 .......................................................................... 39. vii. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(9) 圖 29 關鍵字前 10 名的粉絲團統計次數的文字雲圖來了解粉絲團與綜合關鍵字的關係 .......................................................................................................... 39 圖 30 虎麗笑嗨嗨有透過留言來贈送產品的經營方式 ....................................... 40 圖 31 透過 PageRank 網絡圖來了解哪些粉絲團在宣傳食物的粉絲團中重要性較高，以及了解哪些粉絲團可能有相近的特色 .......................................... 40 圖 32 實驗流程圖 ................................................................................................... 44 圖 33 系統可用性量表等級解釋圖 ....................................................................... 54. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. viii. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(10) 表目錄表 1 資料集資訊 ..................................................................................................... 11 表 2 維基百科的資料集資訊 ................................................................................. 13 表 3 MySQL Table Schema for Fan Page ............................................................ 27 表 4 受試者基本訊息 ............................................................................................ 43 表 5. 供受試者參考的食物列表 .......................................................................... 46. 表 6 受試者基本資訊中調查的問題 .................................................................... 47 表 7 系統評估問卷項目與評分 ............................................................................. 47. 治政大表 9 系統整體可用性問卷 .................................................................................... 50 立 .............................................................................. 50 表 10 開放性問答題問卷題目表 8 系統功能評估問卷與評估向度 .................................................................... 48. ‧ 國. 學. 表 11 系統功能評估問卷分析結果 ....................................................................... 51 表 12 各受試者填寫 SUS 結果 .............................................................................. 54. ‧. 表 13 各受試者在指定任務的結果 ....................................................................... 56. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. ix. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(11) 第1章. 導論. 1.1 研究動機近年來，由於社群媒體（Social Media）的崛起，人們在生活中不再只經由電視來獲得新知或是訊息，而是可透過電腦、手機等載具登入社群媒體，如 Facebook、Twitter、Instagram、 Plurk 等，經由社群網路中的朋友或名人，來了解即時的資訊。由於社群媒體發達，「網路紅人」也應運而生。. 立. 政治大. 網路紅人大多是指經由經營部落格、影音網站製作影片，吸引他人去觀賞並提升知. ‧ 國. 學. 名度，如：囧星人、這群人 TGOP ……等；有些人是因為事件而導致在網路上爆紅，如：. ‧. 泛舟哥、雞排妹。《商業周刊》2017 年 11 月特別企劃指出，台灣網紅市場成長迅速，以 Youtube 為例，百萬訂閱數的網紅在短短一年內新增多組。在社群媒體中，知名的網. sit. y. Nat. io. er. 紅、名人一定是非常有影響力的關鍵意見領袖（KOL, Key Opinion Leader），但關鍵意. al. 見領袖不止涵蓋這些人，更涵蓋了我們生活周遭許多非名人的人。. n. v i n Ch 社群媒體的出現使得一個人可以與數百甚至數千人進行商品的交流或是和提供商 engchi U. 品的廠商做交流 [4]。資策會 FIND 在 2017 年調查國人社群網站使用行為分析 [5]，台灣人平常擁有 4 個社群帳號，其中又以 Facebook (90.9%)最多人使用，而每周造訪的社群網站的頻率，LINE 與 Facebook 分別為 84.7% 以及 84.6%，這些統計數字代表台灣人在社群網路的使用上已經普及，其中又以 Facebook 上瀏覽較為大宗，詳細的統計如下圖：. 1. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(12) 立. 政治大. ‧. ‧ 國. 學. 圖 1 國人擁有社群帳號比例. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 2 國人使用社群網站的頻率 (每週使用三次以上). 2. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(13) 在如此普及的社群中，當一個行銷人員要尋找適合的代言人，大部分的行銷人員都會尋找當時網路中最紅的名人，而大部分的網紅臉書上粉絲團的追蹤人數眾多，因此行銷人員也利用粉絲團的追蹤數來評估其商品效益，但這些人是否就是此項商品的意見領袖，通常可議；是否就能因為他的知名度而使得大眾會購買此項商品？而在眾多的粉絲團中，是否存在某種類別的潛在意見領袖卻不被他人發掘？依據長尾理論以及商品特徵找尋特定商品潛在的意見領袖，雖然可能粉絲數量並沒有那麼多，但鎖定特定的族群來. 政治大過去已有針對社群媒體提供行銷人員的工具，例如利用 Instagram、facebook 的立. 做精準行銷，使得累積起來的總收益可能會超過當紅的網紅。. ‧ 國. 學. hashtag 以及貼文的成效來做排名的 cloudbreakr [6]，另外經由收集各社群網站、新聞、部落格資訊，並進一步做情緒分析的意藍 OpView Insight [7]等。這些工具主要目的是幫. ‧. Nat. io. sit. 步以特定網紅、特定的關鍵字來做進一步的篩選及分析。. y. 助行銷人員找到合適的人選做代言，但卻無法自行經由關鍵字的組合來做搜索，或進一. er. 本研究是以 Facebook 粉絲團為主要研究目標，除了經由結合文章內容、發文數量、. al. n. v i n Ch 按讚數、留言數、分享數等數值來做篩選，並在使用者的搜尋過程中進一步的推薦相關 engchi U. 字詞來提供使用者做點選、搜尋，找出潛在符合使用者需求的粉絲團及合適的關鍵字，經由介面化的呈現，讓行銷人員挑選符合需求的粉絲團，來實行口碑行銷。. 1.2 研究目標以往行銷人員想找到符合需求的網紅，大多經由大量人力及時間的方式來尋找，通常花費較高且往往需要一週以上時間來列出清單，這是因為作業經由人工以主觀的方式挑選，較難將選列的原因量化，也可能導致只能尋找到一些早已知名的網紅，或是過去曾經合. 3. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(14) 作過的網紅。另一方面，與商品相近的關鍵字也是在宣傳上非常重要的組成成份，不僅能讓消費者更了解產品，也能影響商品是否會出現在消費者的搜尋之中。本研究是希望開發一套系統，能輔助行銷人員，以找尋適合代言商品的意見領袖為主體。我們透過觀察過去行銷人員在找尋 Facebook 中粉絲團中適合代言商品的意見領袖的行為，瞭解到行銷人員在找尋的過程有固定的模式。例如，他們會先對各粉絲團的資料做廣泛的瀏覽，並在瀏覽的過程中透過人工來評估各篇粉絲團對於特定商品的推廣. 政治大得非常困難；而當行銷人員要行銷不熟悉的商品時，更難找尋與商品相關的文章，使得立. 成效，並從中找尋與自己商品可能相關的文章。但在粉絲團數量相當大時，此部分便變. ‧ 國. 學. 在評估適合的粉絲團時，更加難以判斷。. 本研究的目標為開發出一套視覺化的分析工具，輔助行銷人員從社群媒體的資料中，. ‧. 找尋適合口碑行銷的代言人，透過系統使得行銷人員能減少找尋的人力以及時間，並能. y. Nat. io. sit. 從系統所提供的統計資料做為選定的佐證。在搜索的過程中，能掌握與商品相關的關鍵. n. al. er. 字，最終鎖定與商品相關的意見領袖。. 1.3 論文貢獻. Ch. engchi. i n U. v. 本論文的主要貢獻包含： 1.. 提供相關關鍵字供使用者參考: 過去已有工具專注於發掘同一類別的熱門關鍵字，但對於個別商品的相近關鍵字卻. 很少推薦。行銷人員宣傳商品時需要運用關鍵字，但在眾多相似的商品中，行銷人員需要使用與他人不同的關鍵字來凸顯自身產品的特性，讓商品能更符合受眾的需求，達成銷售的成效。我們的系統是可以經由行銷人員從商品名稱開始搜索，由系統所推薦相關. 4. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(15) 的關鍵字，讓行銷人員掌握到一系列較符合商品的關鍵字，並且經由不同組合的關鍵字也找尋不同的推薦對象。 2.. 推薦適合的粉絲團: 因在眾多的粉絲團的文章中，無法立即看出粉絲團對於某些關鍵字的成效高低，因. 此我們經由 Facebook 收集到一段時間的內容經由斷詞，結合當篇文章的按讚數（Great）、留言數（Comment count）、分享數（Share count），與行銷人員選擇的關鍵字做比對，. 政治大. 進一步統計出現這些關鍵字之粉絲團的平均數值，將成效較好的粉絲推薦給使用者。 3.. 立. 關鍵字收斂：. ‧ 國. 學. 在一般查詢資料時，會從一開始查找到的文章中找尋到相關連的字詞，接著再進一步增加查詢的關鍵字，使得搜尋出的資料能更加符合自己的需求。所以我們提供使用者. ‧. 進階搜尋的功能，以更加了解與自己商品相關的關鍵字有哪些，以及各篇文章的成效究. y. sit. io. er. 將留言者的共通性做成類似 PageRank 的評分，顯示粉絲團間的網路圖:. al. v i n Ch 在社群網路中的使用中，使用者會追蹤粉絲團的原因，不單單因為知名的緣故，也 engchi U n. 4.. Nat. 竟如何。. 會參雜自己的興趣。利用此項特性，我們將粉絲團和粉絲團間有相同的留言者做連結，經由此連結來運算個粉絲團的重要性，也能區別粉絲團之間的關連性。. 5. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(16) 第2章. 相關研究. 社群媒體成了我們生活中不可或缺的一部分，每個人的想法經由社群網路的傳播，可以傳遞的更遠、更廣。. 2.1 意見領袖在社群網路中的影響有些政治人物會經由社群網路進行宣傳，例如，在 [8]中，作者探討社群網路 Twitter 對. 政治大. 於韓國議員選舉的影響，文中表示社群網路的使用者與其他用戶間的交流，可以確定此. 立. 用戶在社群網路的重要性。. ‧ 國. 學. Katz, E.（1957） [9]將傳統的影響力定義出兩級傳播（Two-step flow of communication），意指在群體中，特定的少數人物，他們的觀點非常引人注目，並能夠把想法有效的分享. ‧. 給他人，而這些少數人物被稱為是意見領袖。在一般的應用中，當訊息經由大眾媒體傳. y. Nat. io. sit. 達到意見領袖，再經由意見領袖的分享，訊息便能更有效率的擴散。在過去的一些研究，. n. al. er. 已經確立意見領袖的一些特點，例如：. Ch. a. 人格特質或是價值觀念較新穎. engchi. i n U. v. b. 擁有某些特定類別的專業知識. c. 社交的範圍廣泛，擁有較大的交友圈吸引他人的關注，使訊息能較有效率的傳遞 [9] [10]。經由社群網路中的意見領袖來做產品的行銷便是口碑行銷的方法之一 [11]，在此篇論文中，研究外在動機與內在動機的有效性，透過推薦後得到金錢的獎勵為外在動機，此推薦的機率上升，並且在推薦的使用者中，以意見領袖的影響力顯著較高，代表意見領袖透過已有的聲譽與關注度做為內在動機，使得意見領袖的推薦有顯著的擴散。社群. 6. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(17) 媒體的意見領袖大多是被視為使用某些產品或是服務經驗的領袖；或是經常在社群網路中發表相關的文章，進而影響他人的態度、思想。當消費者對於產品經驗較少時，會經由這些評論來降低他們買到不合意商品的風險 [12]。而在社群網路中，粉絲的數量影響意見領袖在相關議題的渲染能力。例如，在 [13] 中調查消費者是否因為社群網路 Instagram 中意見領袖所分享的訊息，而影響他人的購買意願。最終的結果顯示社群網路中的意見領袖所發表的言論是可以影響追隨者的態度，. 政治大由此可知，目前已有針對社群網路意見領袖的尋找，以及社群網路如何影響購買意立. 進而影響追隨者購買或是開始關注相關的商品。. ‧ 國. 學. 願的研究，但兩者結合的研究尚不多。在 [13]中所尋找到的意見領袖僅僅只是在 Instagram 中挑選符合研究議題相關並擁有很多粉絲的帳號，並經由此帳號邀請追蹤者. ‧. 填寫問卷。基於以上的研究，我們預期開發出一套經由量化 Facebook 意見領袖數值，. y. Nat. n. al. er. io. 便搜索及挑選。. sit. 並經由推薦系統推薦出可能符合使用者需求的粉絲團，以及用介面化的方式讓使用者方. C. hengchi 2.2 PageRank 在社群網路中的應用. i n U. v. Larry Page 在 1999 年提出 PageRank [14]，搜尋引擎為了從眾多的網頁中找尋出符合使用者需求的網頁，經由網頁之間的超連結做為其關係。大多數的網站都會連向受歡迎或是有權威性的網頁，如 cnn.com；而備受歡迎或是權威性的網頁連結的網頁，也因此被點選的機會也會提高。PageRank 是指網頁被訪問的機率，每網頁都有屬於自己的 PageRank，期初是被連接數(inlink)佔總網站數的機率，經由不斷的疊代，直到每網頁的 PageRank 都呈現穩定態才結束，最終網站的 PageRank 成績越高，該網頁被看到的可能就越大。 7. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(18) 因為社群網路的崛起，人與人之間關連的距離越來越相近。在 2008 年微軟利用 MSN 建立出人際網路 [15]，使用者只需要透過平均 6.6 人就可以和全資料庫裡的使用者建立出關連；而在 2016 年 facebook 發表了關於在其平台上的使用者和使用者之間平均間隔為 3.57 人 [16]。這些資訊顯示了，在現在社群網路發達的年代，人際間網路只會越來越複雜，人和人之間的距離越來愈靠近，因此這複雜的人際網路也利用 PageRank，進而找出社群網路中能影響到他人的意見領袖。Zhu, M.等人 [17]提出了 Leader-PageRank 的. 政治大. 方法，經由分析中國汽車論壇文章言論得到情緒權重，結合留言者與被留言者的網路結. 立. 構來辨別出正向的意見領袖。. ‧ 國. 學. 當國際事件發生或是國際賽事開始時，人們便會關注事件或賽事，不僅可能會在社群平台上發表言論，也會關注相關意見領袖所發表的文章。在 [18]中收集了溫布頓網球. ‧. 賽的 Twitter 文章，他們將字詞分入定義好的類別內，過濾不相干的推文，並將推文分. y. Nat. io. sit. 類。另外，他結合了以 retweet 做為關連的 PageRank 以及 Twitter 內的基本資料，如：. er. 使用者的追蹤者數量（Follower）、個人發文的數量、被提及（Mention）和文章被轉發. al. n. v i n Ch （Retweet）的數量做為多維度的特徵。當然意見領袖的影響力，也可能會隨著時間的推 engchi U 移而有所變化，因此尋找在溫布頓比賽期間最適合作者所定義類別的意見領袖，不僅參考了各項指標，也將時間的因素放置其內。. PageRank 已經從過去的網頁重要性，擴展到社群平台上。在大量資訊的社群網路中，留言者代表了粉絲團影響的機率，能拿到大量留言，顯然相當有影響力，並且粉絲團間又有數量較多的共同留言者，代表兩者的領域影響力相當。我們的 PageRank 則是利用粉絲團共同留言者做出無方向的網路圖，並透過 PageRank 的演算法，算出各粉絲團的重要性。. 8. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(19) 第3章. 系統架構與設計：. 社群媒體已經成為人們生活的ㄧ部份，人們透過社群媒體來做創作、分享生活的大小事、交流各種意見或是觀點，與過去的傳統媒體不同，任何人都可以在平台上做發言。在人手一隻行動裝置的時代，資訊透過社群媒體的分享，擴散率非常的快，但數量也相當的多，因此社群網路中的意見領袖成了另一項指標，透過廣大社群中少數意見領袖的分享，使得資訊有更高機率讓其他使用者點擊、閱讀，並且讓訊息更有效率的擴散。. 立. 政治大. 過去的行銷人員在尋找符合自己商品需求的意見領袖時，大多是透過人工方式尋. ‧ 國. 學. 找，無法將選列的原因量化，也無法在尋找的過程中，透過工具去拓展與商品相關的. ‧. 周邊關鍵字。我們所建立的系統在於透過關鍵字的查詢，進一步量化各粉絲團的指. sit. y. Nat. 標，進而希望能幫助行銷人員找到更符合商品的粉絲團；我們也透過推薦關鍵字與文. io. n. al. er. 章篩選，幫助行銷人員拓展周邊關鍵字，篩選出適合核心商品的字詞。. 3.1 系統設計與概觀. Ch. engchi. i n U. v. 我們系統分為四大部分，第一部份是資料的收集（Data Collection），經由使用 Facebook 所提供的 Graph API [19]，以及用 Java 所寫的網頁爬蟲程式來收集資料。第二部份則是資料前處理，分成 Facebook 資料集的前處理以及 Wikipedia 資料集的前處理。第三部分則是經由演算法的應用來做資料分析（Data Analysis），即使用 Word2Vec [20]，來做關鍵字的推薦以及使用 PageRank [14]。來做粉絲團網絡的分析，利用 PageRank 尋找出意見領袖，並參考 [21]所提到的關於按讃、分享、評論的權重來. 9. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(20) 做為影響力的成績。第四部分則是顯示目前所蒐集以及運算出的資料，使得使用者能更加了解粉絲團之間的關係與重要性。. 立. 政治大. ‧. ‧ 國. 學圖 3 系統概觀與流程. sit. y. Nat. n. al. er. io. 3.2 資料來源（Data Collection） 3.2.1 Facebook. Ch. engchi. i n U. v. 目前台灣的社群媒體以 Facebook 為最大宗，因此本研究選擇以 Facebook 做為資料來源。本研究的資料是以 2017 年 8 月到 2018 年 4 月以食物類別相關粉絲團為例，期初為人工選定 512 個粉絲團為種子粉絲團，再經由林瑞程在 2015 年所提出「透過貼文分享以蒐集相關臉書粉絲頁之機制(Collecting Related Facebook Pages via Shared Post)」 [22]系統，透過種子粉絲頁，指定資料蒐集期間及設定相關蒐集參數，進一步的找出可能相關連的 755 個粉絲團的資料集。. 10. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(21) 期初我們所收集的方式僅使用 Facebook 所提供的 Graph API 來做搜集，但在 2017 年 11 月 7 日時，Graph API 更改為第 2.11 版1，以致無法抓取到留言者的名稱以及留言 id，因此才使用網頁爬蟲，將我們所缺的資料補齊。詳細的資料集如表 1，而第一層留言以及第二層留言的舉例請參考圖 4。相關資料屬性的詳細分析，將於下一章再加以說明。表 1 資料集資訊時間. 立. 3056625 360080. 總留言數（comment）. 2696545. y. Nat. 留言有留言者資料. er. n. 1. 1493672. al. sit. 1202873. io. 第一層留言總數（1st. ‧. 總貼文數(post）. 留言無留言者資料. 學. 總文章數. 1267. ‧ 國. 粉絲團總數. 2017 年 8 月 1 日到 2018 年 4 月 30 日政治大. i n C level comment） h e n g c2407065 hi U. 第一層留言有留言者資料. 918768. 第一層留言無留言者資料. 1488297. 第二層留言總數（2nd level comment）. 289480. 第二層留言有留言者資料. 284105. 第二層留言無留言者資料. 5375. v. https://developers.facebook.com/docs/graph-api/changelog/version2.11/ 11. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(22) 圖 4 第一層留言及第二層留言之舉例. 3.2.2 維基百科. 政治大. 我們使用維基百科資料集的原因有三個面向，一方面是因為社群網路中的文字，在資. 立. 料集不夠豐富龐大的情況下，這些字詞單單透過 Jieba 系統 [23]無法正確地斷出詞彙。. ‧ 國. 學. 因此我們透過維基百科龐大的中文資料集2來幫助 Jieba 斷詞，經由後續的資料前處理. ‧. 建立出新的字典，並進一步套用在關鍵字的推薦上；二方面則是維基百科資料集的文章敘述較客觀、不偏頗。在文章的收集上不僅在社群網路上，在新聞資料中的文章內. y. Nat. er. io. sit. 容都會因事件或是文章編輯者的想法而造成文章立場有偏頗，進而影響推薦詞彙；而在維基百科的文章敘述則是提供人們查檢必要的知識和事實資料，使得我們在推薦字. al. n. v i n Ch 詞時能用更加客觀的方式推薦給使用者；最後一方面則是因為 Word2Vec 是屬於非監 engchi U. 督式學習，訓練集的大小一定要越大越好，並且語料涵蓋的越全面，訓練出的結果也會越好。維基百科的資料大約每週都會更新一次，而我們所使用的資料集為 2018 年 5 月 20 日的純文字資料集的備份檔，文章篇數為 315797 篇，資料集大小為 1.3G. 2. https://dumps.wikimedia.org/zhwiki/ 12. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(23) 表 2 維基百科的資料集資訊資料集名稱. 維基百科中文資料集. 總文章數. 315797 篇. 資料大小. 1.3G. 3.3 資料前處理（Data preprocessing）主要的資料來自於 Facebook 的粉絲團與維基百科。在 Facebook 粉絲團上，大部分的. 治政使用者都沒受過撰文的訓練，發言內容可能充滿口語化的表達，文章內可能會有引大立. 用，或是內容結構較隨興、不嚴謹，需要將資料內容做前置處理並移除干擾。而在維. ‧ 國. 學. 基百科中文資料集中，內容包含了簡體中文以及繁體中文，我們需要將文字轉換，並. ‧. 透過這十分全面的資料集來創建出一份新的字典，以幫助我們在斷詞時能更加精準的. sit er. io. 3.3.1 中文斷詞. y. Nat. 篩選出正確的詞彙來。詳細的處理方法將在下一章節中說明。. al. n. v i n Ch 詞彙是能獨立運用並含有語意內容的最小單位，但中文並非像英文一樣能透過空白符 engchi U 號作為分隔，或是用特定字元清楚地將句子中的文字斷開成數個詞彙，最準確的方式是透過人工的方式來正確的斷詞。但在大量的文本下，需耗費大量時間與成本，因此有了透過依靠機器來閱讀大量文本的系統，將文章中每個字與字之間的關係透過演算法來學習出中文詞彙可能的組成，常見的方法有 Jieba [23]、Stanford Word Segmenter [24]，以及中研院中文斷詞系統（CKIP) [25]。但在這三者之中，中研院中文斷詞系統並非 Open Source 專案，而 Stanford Word Segmenter 又是以簡體中文為主，因此我們選擇使用 Jieba 系統。. 13. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(24) 3.3.2 移除停用詞在文章中常出現的慣用詞，像是語助詞、副詞、代名詞，尤其在社群網路上更常出現口語化的文字。這些詞彙對於文件的分析較不具有意義，在訊息檢索（Information Retrivel）中將這些詞彙稱為停用詞（Stop Words）。在資料分析前，收集停用詞詞彙，在文章斷詞後將符合停用詞詞彙的資料移除，避免影響後續的分析結果。. 3.4 資料分析（Data Analysis）. 立. 3.4.1 PageRank. 政治大. ‧ 國. 學. PageRank 是指網頁被看到的可能性，並且導入了隨機瀏覽（random surfer）的行為，而在我們系統則是各個粉絲團被看到的可能性。每個粉絲團都有個別的 PageRank，取. ‧. 決於粉絲團與粉絲團之間的的連接關係，我們所定義的連接關係為共同的留言者。原. y. Nat. er. io. 超連結而建立。. sit. 始演算法式套用在使用者大量的流覽網站上，其中的連接關係是經由目前瀏覽頁面的. al. n. v i n Ch 在臉書中，粉絲團之間互相留言的方式不多，而在 Facebook 中粉絲追蹤的原因不 engchi U. 單單是因為知名，也包含了自己的興趣，因此我們所採用的連接關係則是透過各粉絲團間的共同留言者來建立關聯性，但如此作法卻無法具有以超連結為聯接關係的方向. 性，因此我們將關聯設定為無方向性。在針對有向圖的 PageRank 見公式（1），其中 PR(𝑝𝑖 )為頂點𝑝𝑖 的 PageRank 值，M(𝑝𝑖 )是連入頂點 𝑝𝑖 的集合，L(𝑝𝑗 ) 從是頂點𝑝𝑗 連出的數量，而 N 是所有頂點的數量，d 是介於 0 到 1 之間的阻尼系數（Damping Factor），代表使用者隨機瀏覽這個網頁的機率，用以避免有些網頁連結太少或是沒有. 14. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(25) 連結的問題；而我們所使用的無向圖的 PageRank，則是將兩個頂點間的無向連結更改為雙向的 PageRank 再進行實作，在此 d 我們設定為典型的數值 0.85。 PR(𝑃𝑖 ) =. 𝑃𝑅(𝑝𝑗 ) 1−𝑑 +𝑑∑ 𝑁 𝑝𝑗 ∈𝑀(𝑝𝑖 ) 𝐿(𝑝𝑗 ). (1). 3.4.2 影響力計算（Influence Calculate）社群網路中的使用者透過社群平台上的功能來進行交流，在 Facebook 上使用者透過三. 政治大表了不同的意義。「按讚」代表在平台上可以很輕易的透過此動作來表達自己的想法，立. 種行為來進行溝通：按讚（Like）、評論（Comment）、分享（Share），此三種行為代. ‧ 國. 學. 但這只是 Facebook 所提供的便利功能，不會因此與其他使用者有更多的意見交流；相對的，評論需要更多的參與，使用者需要花時間與精力編寫文字，並公開在平台上，讓. ‧. 其他使用者了解他們所要分享的想法或意見。「分享」則是將使用者所感興趣的文章成. y. Nat. sit. 為自己平台的一部分，不僅關注文章，也希望自己的朋友群也能看到此篇內容，同時在. n. al. er. io. 分享時也能加上自己的額外評論。. Ch. i n U. v. 在 [21]的介紹中有提到一種粗淺的比例：評論的權重為按讚的 7 倍，而分享的權重. engchi. 為評論權重的 2 倍。故我們依這比例將按讚、評論、分享的數量依 1 倍、7 倍、14 倍的權重加總來當作每則文章的成績。. 3.4.3 Word2Vec Word2Vec 是 Tomas Mikolov 於 2013 年提出 [20]，透過類神經網路來訓練出模型，利用詞與詞之間一定的範圍內，透過 one-hot vector，創建出屬於個別詞的向量，並將這些詞投射到向量空間中，若詞彙之間有相同上下文，其距離會較接近，但若都不太相關則會距離較遠。. 15. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(26) Word2Vec 可以利用非監督式的兩種模型架構來建構出各詞彙在空間中分布的情形，一種是 continuous bag-of-words（CBOW），另一種則是 Skip-gram。CBOW 是透過上下文來預測中心詞，Skip-gram 則是給定中心詞，來預測中心詞的上下文單詞，架構以及範例可以參考圖 5、圖 6。此兩種演算法比較下，CBOW 對於較大的資料集較方便、快速，對於頻率較高的詞彙效果較好；Skip-gram 則適合較小的資料集，對於頻率不高的詞彙效果較好。而我們所使用於推薦關鍵字詞的資料集主體是維基百科，故使用 CBOW 模型架構。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 5 CBOW 以及 Skip-gram 架構示意圖. 16. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(27) 立. 政治大. ‧ 國. 學. 圖 6 CBOW 以及 Skip-gram 範例. ‧. 3.5 使用者介面（User Interface）. y. Nat. sit. 行銷人員在廣大的社群網路中，不易找到與自己所要行銷商品最相關的口碑行銷代言. n. al. er. io. 人。我們試著歸納行銷人員過去如何找尋適合口碑代言的意見領袖，例如「搜索與商. Ch. i n U. v. 品相關粉絲團」、「瞭解粉絲團對於商品的影響力」、「找尋相近粉絲團」等，我們. engchi. 認為透過系統來輔助這三個行為，可以幫助行銷人員從大量的社群媒體資料中找尋適合做口碑行銷代言人的意見領袖。因此本系統以此三個目標為系統的核心概念，輔助行銷人員探索社群媒體中的意見領袖。在行銷人員在搜尋適合的粉絲團時，會透過與商品相關的關鍵字做搜尋，而當行銷人員不熟悉商品特性時，往往需要花上一定的時間來探索，因此我們系統提供「推薦關鍵字」的功能，幫助行銷人員探索與商品相關的關鍵字；當選列出相關的粉絲團之後，需要評估此粉絲團是否合適，便可從各粉絲團貼文中的按讚數、留言數、分享. 17. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(28) 數來做初步的評估，因此我們的系統提供了透過與關鍵字相關文章中按讚數、留言數、分享數等來運算出「粉絲團影響力」，並推薦出各關鍵字前十名的粉絲團給使用者。行銷人員除了透過按讚、評論、分享來評估之外，也會進一步瞭解粉絲團的經營模式，因此系統也具備「原始文章顯示」功能，來讓使用者瞭解此粉絲團對於關鍵字相關的文章的經營方式。而當行銷人員找到適合口碑行銷的意見領袖，但意見領袖的開價較高時，便可能會需要找尋相近的粉絲團來做替代，因此系統提供了「粉絲團關. 政治大在此章節會先對於我們的使用者介面做基礎的講解，而詳細的操作流程將在下一立. 聯圖」，讓使用者快速找尋可能適合的其他意見領袖。. ‧ 國. 學. 章節再做說明。. ‧. 3.5.1 推薦關鍵字（Recommend Keyword）. sit. y. Nat. 系統透過使用者所下的關鍵字作推薦，如圖 7 中所表示，綠色代表使用者所搜尋的關鍵. n. al. er. io. 字，而藍色則是透過我們系統所推薦出的相關關鍵字。我們的推薦字詞也會因使用者所. i n U. v. 搜尋的關鍵字組合而有不同的推薦。透過點選功能，可將系統所推薦的字詞加到使用者所要搜尋的關鍵字中。. Ch. engchi. 圖 7 推薦字詞概念圖. 18. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(29) 3.5.2 粉絲團影響力（Fan-Page Influence）透過使用者所搜尋的關鍵字，將符合關鍵字的粉絲團與影響力計算做結合，篩選出前 10 名的粉絲團，並將結果以圖形化方式呈現。如圖 8 所示，當使用者所搜尋的關鍵字為「壽司」，便會以極座標圖表來呈現前 10 名粉絲團名稱，滑鼠移動到相對應的點時，也會呈現粉絲團與關鍵字相關的平均影響力分數。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 8 粉絲團影響力概念圖. 3.5.3 粉絲團關聯圖（Fan-Page Network）透過共同留言者來建立起粉絲團和粉絲團之間的關聯，並進一步的將各粉絲團的 PageRank 算出，且將結果顯示在介面上。如圖 9 所顯示的網路圖，各節點代表各粉絲團，粉絲團上的數字則代表 PageRank，節點大小也會因 PageRank 的數值而有所改變;. 19. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(30) 而節點與節點間連接的邊則是透過共同留言者所建立，邊的粗細則與共同留言者的多寡有關。透過共同留言者的連結而形成不同的族群，使用者可以透過觀察網絡圖來進行投放，如圖 10，可以發現有三種不同的族群，使用者可以投放不同的族群來擴大商品的效益；或是投放族群中 PageRank 中數值較高者，來得到較高的效益。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 9 粉絲團關聯圖概念圖. 20. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(31) 立. 政治大. 圖 10 透過共同留言者的連結而形成不同的族群. ‧ 國. 學. 3.5.4 原始文章顯示（Document Detail）. ‧. 透過顯示原始貼文內容，將與關鍵字相符的文字做標記，可以作進一步篩選的依據，. sit. y. Nat. 如圖 10；上方的時間軸隨著使用者的篩選而有不同的呈現；另外系統也有設置連結，. n. al. er. io. 回到原始 Facebook 的頁面，讓使用者進一步觀察貼文內容，如圖 11，詳細的使用操作會在下一章節作介紹。. Ch. engchi. i n U. v. 21. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(32) 立. 政治大. ‧. ‧ 國. 學. n. er. io. al. sit. y. Nat. 圖 11 原始貼文顯示概念圖. Ch. engchi. i n U. v. 22. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(33) 第4章. 系統實作. 在此章節中我們分成三大部分，第一部分為介紹資料來源及資料屬性；第二部分為資料的前處理；第三部份為各演算法與使用者介面的詳細操作流程，以讓行銷人員能實際的操作我們的系統。. 4.1 資料來源及資料屬性. 政治大 Facebook 官方所提供得 Graph 立 API 以及爬蟲來存取 Facebook 上粉絲團的資料；維基. 本研究的資料集以 Facebook 上的粉絲團資料為主，維基百科的資料為輔。我們透過. ‧. ‧ 國. 料集。. 學. 百科則為官方每週所提供的備份資料集，我們所使用為 2018 年 5 月 20 日的純文字資. 我們利用 Facebook 本身的特性，歸納出以下 6 點的資料屬性，以便判斷一則發文. y. Nat. io. sit. 內容的關鍵字是否有較好的影響力。資料屬性的相關說明可以搭配圖 12 和圖 13 關於. n. al. er. Facebook 粉絲團發文的資料結構。 1. 類型（Type）：. Ch. engchi. i n U. v. i. 貼文（Post）：粉絲團在粉絲專業所發表的文章。 ii. 留言（Comment）：每則貼文下會有其他使用者留言或是粉絲團補充回應的統稱，而回應還有分第一層留言（1st Level Comment）以及回應第一層留言的第二層留言（2nd Level Comment） 2. 發文內容（Post message）: 此項屬性資料是發文的內文，為了之後尋找粉絲團適合的關鍵字所使用的屬性資料。 3. 按讚數（Like Count）:. 23. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(34) 是用來表示網友對發文者的表態，利用「讚」來對該發文、留言表示讚賞或是其他表態。 4. 分享（Share Count）: 當粉絲團的議題或是想法讓其他使用者感興趣，而想與他人分享，會使用分享的方式，將文章放到自己的頁面，使此粉絲團的訊息能有更多的人看見。 5. 留言數（Comment Count）:. 政治大. 統計該貼文的留言數，即第一層留言的數量。. 立. 6. 追蹤（Follow Count）:. ‧ 國. 學. 使用者可以在粉絲團的頁面上對粉絲團做訂閱追蹤，當粉絲團發文章時便會顯示在自己的 Facebook 的動態牆上。因無法取得追蹤的數量，故我們使用對粉絲團按讚的. ‧. 數量做為其追蹤數。. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 24. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(35) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 12 每則貼文所使用到的資料. 25. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(36) 圖 13 各粉絲團所用到的資料. 4.2 各資料來源前處理. 政治大. 此章節分成三個部分，一部分是透過維基百科資料集建立斷詞字典，第二部分是介紹. 立. Facebook 的資料內容與資料如何作整併，最終一部分是 Facebook 的資料內容的清理以. ‧ 國. 學. 及斷詞的步驟。. ‧. 4.2.1 建立斷詞字典. y. Nat. io. sit. 因為我們所分析的內容為繁體中文，故我們先透過套件 openCC [26]將文章內容都轉換. er. 成繁體中文，接著透過 Jieba 將資料集斷詞，我們將資料集斷詞分成兩個方式，一種. al. n. v i n 是透過 HMM（Hidden MarkovC Model）模型 [27]來辨識詞彙並做斷詞；另一種則是不 hengchi U 使用 HMM 模型。使用 HMM 模型斷出的詞彙集合差集（Complement）沒有使用. HMM 模型所斷出的詞彙集合，將此結果當做後續斷詞所使用的字典，使得我們在斷 Facebook 資料集的詞彙時有較好的結果，流程請見圖 14。. 26. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(37) 政治大. 圖 14 透過維基百科建立詞彙字典之流程圖. 立. 學. ‧ 國. 4.2.2 Facebook 的資料內容與資料作整併 Facebook 回傳後存入 MySQL [28]的資料庫系統中。MySQL 的資料表 Schema 設計如. post_message. Attributes. sit. Type. al. er. varchar(50). n. Type. io. fan_id. MySQL Table Schema for Fan Page. y. Nat. Filed name. 表 3. ‧. 下表 3。我們後續將介紹各資料所代表的意義:. varchar(20). Ctext h. engchi. i n U. v. From_name. varchar(100). From_id. varchar(50). created_time. timestamp. postID. varchar(40). comments. bigint(20). UNSIGNED. likes. bigint(20). UNSIGNED. shares. bigint(20). UNSIGNED. 1. fan_id：粉絲團的 id，每個粉絲團的唯一編號，了解此筆資料是屬於哪一粉絲團。 2. Type：發文的類型，來進一步分辨此筆資料是貼文還是留言。. 27. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(38) 3. post_message：此筆資料的內文。 4. Type：發文的類型，來進一步分辨此筆資料是貼文還是留言。 5. From_name：發文者的名稱。 6. From_id：發文者的 id，為 Facebook 所給予的編號，每一個使用者的唯一編號。 7. created_time：此筆資料發佈的時間，已轉為台灣時區。 8. postID：每則貼文、留言都有屬於自己的編號。 9. comments：留言數量。. 立. 10. likes：按讚數。. 政治大. 學. ‧ 國. 11. shares：分享數。. 我們的資料是透過 Facebook 所提供的 Graph API 以及網頁爬蟲的資料整合，透過. ‧. postID 欄位來做整併，使得我們能將未得到留言者的名稱和使用者唯一的 ID 透過網頁. y. Nat. a 4.2.3 Facebook 的資料內容的清理及斷詞. er. io. sit. 爬蟲的方式來補齊。. n. iv l C n U 斷詞系統算是雜訊的資料，我 h e n g c h i Jieba 在我們收集到的 Facebook 的資料中，有許多對於們將透過前處理，讓我們的斷詞能斷得更好。以下將簡單介紹我們所清理的雜訊分類。 1. 超連結: 因為在文章中可能會包含一些超連結至其他頁，供給他人做參考，但對於斷詞系統是不必要的資訊，所以將這些超連結做去除。 2. 標點符號：因為我們所使用的資料是繁體中文的資料，並且在社群網路中的文章大多非正式的文字敘述，因此會有半形以及全形的標點符號同時出現在文章內，所以我們將半形跟全形標點符號都替代成空白符號。 28. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(39) 3. 數字：因為我們主要做的是繁體中文的斷詞，與數字較無關係，所以我們將數字替除，並替代成空白符號。透過清理完資料後，在 Jieba 斷詞系統的自訂字典中加入在 4.2.1 所建立的字典，將各文章做斷詞，並進一步的存入資料庫中，使得在我們所建立的搜尋系統時能更加快速的找到合適的粉絲團。. 4.3 演算法與使用者介面的詳細操作流程. 政治大. 我們的系統是使用 Django [29]網站框架上進行開發，它是使用 Python 語言所編寫，採. 立. 用了 MVT（Model-View-Template）的軟體設計模式。我們的操作流程分成兩塊，第一. ‧ 國. 學. 部分是透過關鍵字來搜尋適合的粉絲團；第二部分則是留言者的共通性做成類似. ‧. PageRank 的評分，顯示粉絲團間的網路圖，也能進一步觀看粉絲團的原始文章。. sit. y. Nat. 我們的系統透過關鍵字來搜尋適合的粉絲團，並進一步的觀看與關鍵字相關的原. n. al. er. io. 始文章，操作的詳細流程如圖 15。在第一部份我們從使用者所搜尋的關鍵字推薦出相. i n U. v. 關的關鍵字，並進入到第二部分推薦粉絲團，透過點選頁面中的粉絲團名稱來進入第. Ch. engchi. 四部分，觀看粉絲團與關鍵字相關的文章細節；也可透過第三部分所顯示的 PageRank 網絡圖，來找尋適合的粉絲團，透過點擊網絡圖上的粉絲團節點進入第四部分。. 圖 15 關鍵字搜尋之操作流程 29. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(40) 4.3.1 關鍵字搜尋我們將維基百科的資料結合 Facebook 粉絲團資料集，並透過 Word2Vec 學習出模型。當使用者使用關鍵字搜尋粉絲團時，透過此模型，我們將與此關鍵字在模型向量空間中相似度較高的字詞進行推薦；若是關鍵字的組合，則是分別放入模型向量空間中並將各別抽出高相似度字詞的相似度成績加總，最終推薦出相似度前 6 名的關鍵字。當使用者點選我們所選推薦的關鍵字，也會載入搜索中使得關鍵字的組合有了變化，我. 政治大. 們所推薦的字詞也不盡相同，例子請見圖 16。. 立. ‧. ‧ 國. 學 sit. y. Nat. 圖 16 關鍵字組合變化使得系統所推薦的關鍵字不盡相同. n. al. er. io. 4.3.2 粉絲團影響力成績. i n U. v. 透過包含關鍵字的粉絲團文章內容，並結合每則文章的按讚數、評論數、分享數依 1. Ch. engchi. 倍、7 倍、14 倍的權重加總，並平均來當作粉絲團的影響力成績，了解粉絲團對於關鍵字影響力的大小。我們將平均影響力前 10 名的粉絲團顯示在介面上（見圖 17），透過若點選粉絲團名稱將會進入下一步的操作。我們將各關鍵字的前 10 名的粉絲團出現次數進行統計 (見圖 18)，並以文字雲的形式來顯示粉絲團的統計次數，透過文字雲大小，讓使用者初步判斷自己所搜尋的關鍵字是否是相關連或是各自獨立。點選文字則會進入下一步的操作，顯示與組合關鍵字有關的文章細節，並進一步了解關鍵字的組合是否符合所行銷的商品。. 30. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(41) 此介面是透過使用一個 Javascript 所編寫的圖表庫套件 Highcharts [30]。它是ㄧ套免費的開源軟體，提供個人學習、個人網站以及非商業用途上使用，能夠在簡單便捷的在網站中添加有互動性的圖表，並且支援所有的主流瀏覽器和行動裝置。在此介面中我們所使用到 Highcharts 的圖表類型有極座標圖（Polar chart）以及文字雲（Word cloud）兩部分。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 17 與關鍵字相關前 10 名粉絲團的極座標圖. 31. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(42) 政治大. 圖 18 各關鍵字前 10 名的粉絲團統計次數的文字雲圖. 4.3.3 PageRank 網路圖. 立. ‧ 國. 學. 我們透過整個資料集內留言者的共同性做成類似 PageRank 的評分，顯示粉絲團間的網路圖。透過點選節點可進一步觀看粉絲團的原始文章，介面如圖 19。透過前一步的. ‧. 關鍵字搜索，我們可確認符合商品的關鍵字，透過這些關鍵字篩選出相關粉絲團。當. y. Nat. sit. 關鍵字愈多，所篩選出的粉絲團將越少。在介面中，因節點和節點間的連結十分多，. n. al. er. io. 所以透過 edge filter（編號 1）的篩選，篩選出共同留言者較多的連結，使得使用者能. Ch. i n U. v. 更加快速地瞭解粉絲團之間的關係。在 edge filter 的部分，初始值會以關鍵字篩選完後. engchi. 關聯權重（共同留言者個數）的前 5%連結做為顯示，而使用者能輸入的數字最小值則為此次篩選關聯權重的中位數，最大值則為此次篩選的最大關聯權重。網絡圖（編號 2），則是透過資料視覺化的方式將網絡圖作呈現，將符合使用者所搜尋的關鍵字以聯集方式搜尋粉絲團，詳細的搜尋方法將在下方來做說明。當使用者將滑鼠移至網路圖的關聯，將會顯示有多少個共同留言者(見圖 20)；每個節點下方則顯示粉絲團名稱與 PageRank 值，節點大小也會因 PageRank 值而有所差異，範例見圖 20。編號 3 為資料匯出，上方的藍色按鈕為使用者觀看過的粉絲團，透過點選來做取消，而下方的. 32. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(43) 「GET CSV」則下載上方未被刪除的粉絲團的每月的平均留言數、平均按讚數、平均分享數、文章數。在此頁面透過使用者所搜索的關鍵字，篩選出符合的粉絲團，透過網路圖的共同留言者以及 PageRank 的大小讓使用者能探索到更多的粉絲團，也了解粉絲團和粉絲團的關連。介面的部分我們透過基於 Javascript 所編寫的開源套件 Vis.js [31]，此套件能處理大量的動態數據，並與這些數據進行交互操作。本系統是透過該套件所提供的網. 政治大 [32]，它是用 Python 語言所開發的圖論與複雜網路建模的工具，內建常用的圖與複雜立. 絡圖（Network）來進行顯示。PageRank 的數值運算部分我們則是使用 Networkx. ‧. ‧ 國. 學. 的網路分析演算法，可以方便的進行複雜的網路資料分析、建模等工作。. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 19 PageRank 網絡圖的系統介面圖. 33. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(44) 政治大. 立. ‧ 國. 學. 圖 20 PageRank 網絡圖中邊上所顯示的共同使用著數量. 節點篩選：假設我們的關鍵字集合為V = {𝑤1 , 𝑤2 , … … , 𝑤𝑁 }，使用者所搜尋的關鍵. ‧. 字為 q = 𝑞1 , 𝑞2 , … … 𝑞𝑚 且𝑞𝑖 ∈ 𝑉，粉絲團的集合為P={𝑝1 , 𝑝2 … … , 𝑝𝑘 }，各粉絲團的關鍵. sit. n. al. f(p, q) {. er. io. 使用的方程是如下:. y. Nat. 字𝑝𝑖 = 𝑝𝑖1 , 𝑝𝑖2 , … … , 𝑝𝑖𝑚 且𝑝𝑖𝑗 ∈ 𝑉，我們所篩選出粉絲團的集合為R(P)且 R(P)⊆ P。所. i n U. v. R(P)＝{p ∈ P | f(p, q) = 1｝. Ch. 1. engchi 當使用者所搜索的關鍵字都有出現在粉絲團的關鍵字中. 0. 使用者所搜索的關鍵字並非全部出現在粉絲團的關鍵字中. 所以透過使用者所搜索的關鍵字越多、越精準，能篩選出的粉絲團越少，但也越能篩選出符合使用者需求的粉絲團。. 4.3.4 粉絲團與關鍵字相關的文章細節: 透過前一步驟我們所點選的粉絲團，進一步的探索與關鍵字相關連的文章內容。介面如圖 21，透過時間軸顯示篩選過後的平均留言數、平均按讚數、平均分享數、文章數（編號 1），透過點選時間軸上的時間，能進一步的限縮資料集至點選的時間內，. 34. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(45) 如點選月份則資料統計將限縮至點選的月份，若再進一步點選則會篩選至當日的資訊，並且下方所顯示實際文章內容以及各文章基本屬性（編號 8）也會跟著限縮至時間內。透過下面的 download timeline data（編號 2）可下載時間軸上的統計資料。此部分是透過改寫 Highcharts [30]圖表類型中的折線圖（Line chart）來做顯示；透過「Only Post」的按鈕能篩選出類別屬於貼文（post）的文章（編號 3）﹔透過前一部分所選定的關鍵字可產出個別關鍵字的按鈕，來進行個別關鍵字的篩選（編號 4）；在搜尋欄上. 政治大號 7），也可以透過「Reset」按扭來清除進一步篩選的關鍵字；顯示出此粉絲團的資立. （編號 5）進行進一步的篩選，將產生出個別關鍵字的按鈕來進行個別關鍵字篩選（編. ‧ 國. 學. 料量以及目前與關鍵字相關連的文章數量（編號 6），讓使用者了解相關關鍵字佔此粉絲團文章的比例；顯示出實際文章內容以及各文章基本屬性（編號 8）。透過各文章左. ‧. 上角 Facebook 的圖標，可導引使用者至原始 Facebook 的頁面，讓使用者能進一步的. y. Nat. io. sit. 觀察貼文內容。透過這個介面，使用者可進一步了解粉絲團與關鍵字的關係，也能了. n. al. er. 解與商品相關的關鍵字有哪些。. Ch. engchi. i n U. v. 35. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(46) 立. 政治大. ‧. ‧ 國. 學 sit. y. Nat. io 4.4.1 以壽司為例. al. n. 4.4 操作實例. er. 圖 21 粉絲團與關鍵字相關文章細節的系統介面圖. Ch. engchi. i n U. v. 1. 若我們想要行銷壽司，並認為需要用海苔做搭配，因此在搜尋欄位上打「壽司. 海. 苔」。. 圖 22 在搜尋欄位上打「壽司海苔」 36. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(47) 2. 從系統所推薦的延伸關鍵字中點選「蓋飯」。. 政治大. 圖 23 點選系統所推薦的關鍵字「蓋飯」. 立. 學 ‧. ‧ 國. 3.分別點擊各關鍵字極座標影響力第一名的粉絲團。. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 24 點擊各關鍵字極座標影響力第一名的粉絲團. 4.. 從粉絲團與關鍵字相關的文章細節，發現雖然 Amy の私人廚房在蓋飯的影響力很. 高，但卻只有 1 篇有提到蓋飯；iCook 愛料理則是在提到壽司的篇數有 10 篇；MASA の料理 ABC 則提到海苔的只有 2 篇。. 37. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(48) 圖 25 從粉絲團與關鍵字相關的文章細節 5.. 透過觀察 iCook 愛料理中文章的詳細細節，發現問文章中很常把「野餐」與壽司. 政治大我們所挑選出相關的文章都是立 iCook 愛料理所發的貼文，而非貼文下方的留言；接著. 做搭配，且在文章中也曾出現過「在家」的詞彙，因此我們點選「Only Post」，使得. ‧. ‧ 國. 學. 在進階篩選的部分打上「野餐在家」。. er. io. sit. y. Nat. al. v. n. 圖 26 點選 Only Post 並在進階篩選處打「野餐在家」 6.. Ch. engchi. i n U. 透過進階篩選，可以發現壽司很常在此粉絲團與野餐做搭配，而相對野餐的在. 家，也可做為我們的行銷壽司的關鍵字。. 圖 27 透過進接篩選了解其他與商品相關的關鍵字. 38. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(49) 7.. 透過各關鍵字前 10 名的粉絲團統計次數的文字雲圖，及文字雲中文字的大小，因. 此了解到我們所搜尋的關鍵字並非各自獨立，而是有相關連的。在粉絲團統計次數的文字雲圖，除了 iCook 愛料理統計次數為 3 次外 Wow 愛美食、虎麗笑嗨嗨、葉怡蘭 Yilan 統計次數也到 2 次. 立. 政治大. ‧. ‧ 國. 學. 圖 28 透過關鍵字前 10 名的粉絲團統計次數的文字雲圖了解搜尋關鍵字間的關係以及. y. sit. Nat. 透過粉絲團與關鍵字相關的文章細節了解到 Wow 愛美食只發過 2 篇與蓋飯、壽. io. al. er. 8.. 尋找適合的粉絲團. v. n. 司、海苔有關的文章，另外兩個粉絲團則有超過 10 篇以上。. Ch. engchi. i n U. 圖 29 關鍵字前 10 名的粉絲團統計次數的文字雲圖來了解粉絲團與綜合關鍵字的關係. 39. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(50) 9.. 透過點選時間軸來限縮時間來了解為何數值會上升，是否有透過一些特殊的活動. 來衝高數值。在觀察虎麗笑嗨嗨以及葉怡蘭 Yilan 粉絲團的詳細貼文後，了解到虎麗笑嗨嗨有透過留言來贈送產品的經營方式。. 立. 政治大. ‧ 國. 學. 圖 30 虎麗笑嗨嗨有透過留言來贈送產品的經營方式. 10. 透過 PageRank 網路圖篩選出曾在粉絲團中提到蓋飯、壽司、海苔，發現到「跟. ‧. 著尼力吃喝玩樂＆親子生活」的 pageRank 的數值較高，以及與他有 35 位共同留言者. Nat. n. al. er. io. sit. y. 的「小布少爺生活親子旅遊誌」，兩者都是在經營與親子生活相關的粉絲團。. Ch. engchi. i n U. v. 圖 31 透過 PageRank 網絡圖來了解哪些粉絲團在宣傳食物的粉絲團中重要性較高，以及了解哪些粉絲團可能有相近的特色. 40. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(51) 11. 最終我們透過系統的輔助找出適合宣傳「壽司」的關鍵字有海苔、蓋飯、野餐、在家；適合做此商品宣傳的粉絲團有「葉怡蘭 Yilan」、「跟著尼力吃喝玩樂＆親子生活」，若我們是做日式料理的店家，則還會加入「虎麗笑嗨嗨」舉辦抽獎活動，來打響知名度，而未加入 iCook 愛料理則是因為他適食譜平台大多為食譜，對於宣傳壽司商品較不適合。. 4.4.2 以咖哩為例. 政治大. 在此例中得步驟都與 4.4.1 相似，在此我們僅簡單寫出中間過程以及透過系統所得到. 立. 的結果。. ‧ 國. 學. 當我們想要行銷咖哩，便會與「日本」以及「印度」做聯想，在尋找適合的粉絲. ‧. 團時找到了相關的關鍵字「豬排」以及「雞肉」。最終我們透過系統的輔助找出適合. sit. y. Nat. 宣傳「咖哩」的關鍵字有日本、印度、豬排、雞肉；適合做此商品宣傳的粉絲團有. n. al. er. io. 「MASA の料理 ABC」、「Amy の私人廚房」、「蘿潔塔的廚房」。. Ch. engchi. i n U. v. 41. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(52) 第5章. 實驗設計與結果分析. 根據我們在第 3 章與第 4 章的描述所設計實作出的系統，設計了一套實驗流程，希望透過實驗評估結果來了解本系統對行銷人員所帶來的價值為何？他們的使用行為、想法、需求是否能透過此系統來得到幫助？受試者透過系統教學學習如何操作系統後，再透過引導式任務來熟悉介面基礎操作後，進行我們的指定任務，用以評估使用者狀況以及介面的易用程度。. 5.1 實驗目標. 立. 政治大. 本實驗目標希望了解對社群媒體有一定的了解，可能做過相關分析的受試者，是否能. ‧ 國. 學. 透過本系統所提供的介面，快速地探索及分析 Facebook 上得粉絲團以及關鍵字。故我. ‧. 們以 2017 年 8 月到 2018 年 4 月食物相關 1267 個粉絲團為例，透過搜尋不同的商品，. sit. y. Nat. 並利用質化研究訪談受試者，來了解受試者對於本系統的意見以及回饋，以及評估本. n. al. er. io. 系統對於受試者的幫助。. 5.2 實驗對象. Ch. engchi. i n U. v. 本系統的設計目標是輔助使用者找尋商品適合的事件領袖以及符合商品的關鍵字。我們挑選的實驗對象為傳播背景且對社群媒體資料分析有些許瞭解，但對於行銷以及分析社群媒體的經驗上會有些許的差異，我們將以經驗差異來分析，因此我們設定以接觸行銷或是經營粉絲團超過 1 年以上為基準。實驗人數為 7 人，表 4 為受試者的基本資訊。其中受試者 G 沒有社群媒體分析的經驗，並且行銷經歷是舉辦實體活動類的行銷，如：粉絲見面會；受試者 A、B、C、D 曾行銷或是經營粉絲團超過 1 年以上；受試者 E、F 則是未超過 1 年。. 42. DOI:10.6814/THE.NCCU.CS.004.2019.B02.

(53) 表 4 受試者基本訊息受試者. 對社群媒體分析經驗. 行銷相關的經歷/接觸時間. A. 曾分析過 Facebook 上的數據。. 曾行銷過食物類的產品大約 1 年. B. 曾分析過 Facebook 以及 Twitter 上的. 曾經行銷過科技類的產品，並. 數據。. 經營其粉絲團大約 1 年 3 個月. C. 曾分析過 PTT、Facebook 以及. 曾經營過學術類的粉絲團. 大約 1 年政治大曾分析過 PTT、Facebook、Dcard、曾行銷過化妝品類的產品，並立 Twitter 上的數據。. D. Instagram 以及 Line 上的數據。. ‧ 國. 大約 3 年曾行銷過保養品類的產品. 據。. 大約 6 個月. 曾分析過 Facebook 上的數據。. 曾經行銷過課程類的產品，並. 5.3 實驗流程. y. sit. 大約 4 個月. al. v. 曾做過實體的行銷活動. n. 曾經聽過。. 經營其粉絲團. er. io. G. ‧. 曾分析過 PTT 以及 Facebook 上的數. Nat. F. 學. E. 經營其粉絲團. Ch. engchi. i n U. 在實驗正式開始前，實驗分成兩個階段。在實驗開始前，先透過播放 7 分鐘的系統操作流程影片，使受測者在開始使用前初步的了解系統的使用方式，接著便進入第一階段的引導式任務來熟悉介面；第二階段則是指定任務來了解此系統是否能使受測者搜尋出與商品相關的意見領袖以及關鍵字的探索，並透過問卷填寫及訪談來了解受測者使用此系統的情況與心得，如圖 32 為實驗流程圖。. 43. DOI:10.6814/THE.NCCU.CS.004.2019.B02.