Flickr網站上世界商務城市之情感輪廓 - 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 ‧. Flickr 網站上世界商務城市之情感輪廓. n. Ch. engchi. er. io. al. Website Flickr. sit. y. Nat. Emotional Contours of the Commerce Cities on the i n U. v. 研究生：馮成發指導教授：劉吉軒. 中華民國一百零三年一月 January 2014.

(2) Flickr 網站上世界商務城市之情感輪廓 Emotional Contours of the Commerce Cities on the Website Flickr. 生：馮成發. Student : Chen-Fa Fong. 指導教授：劉吉軒. 立. Advisors : Jyi-Shane Liu. 政治大. ‧. ‧ 國. 學. 國立政治大學資訊科學系碩士論文. Nat. A Thesis. sit. y. 研究. er. io. Submitted to Department of Computer Science National Chengchi University a. n. iv l C n In partial fulfillment Requirements h e n gofcthe hi U for the Degree of Master in Computer Science. 中華民國一百零三年一月 January 2014.

(3) 誌謝本篇論文完成首先要感謝的是指導教授劉吉軒老師，您在我撰寫論文的這段時間裡，總是能給我在研究方向上最正確的指引，並藉由多次的討論過程中，您細心且耐心的提供非常多寶貴意見，讓我可以很快地進入研究的領域，並且獲得關於論文研究上的各種專業知識，讓我的論文終於可以順利的完成。另外，還要感謝我的口試委員：廖文宏老師和王正豪老師，感謝兩位老師於口試時針對本篇論文給予的寶貴建議，由於您們的指導讓我的論文可以更臻完善。. 政治大由於我們都是在職專班的學生，白天得應付工作上的挑戰，下班後才比較有時間撰寫論立. 在這辛苦的論文撰寫過程中，幸好一路上還有兩位同事兼同學的夥伴：伸吉、期鈞，. 文，很懷念我們三個人一起利用假日到辦公室趕進度，記得每每遇到研究上的問題或瓶. ‧ 國. 學. 頸，都可以找你們一起討論和分析，伸吉提出的想法常常是非常精準且可行，期鈞則是. ‧. 非常努力的督促大家的論文進度，感謝兩位好夥伴給我的鼓勵和陪伴；另外也感謝格致. er. io. sit. y. Nat. 學長參與論文的討論，並給我不一樣的思考方向，讓我的論文可以更加完備。. 最後，要感謝的當然是我最愛的家人：老婆聖芬、兒子俊為，尤其是聖芬同時也在. al. n. v i n Ch 本校社科院修碩士，很懷念我們一起到學校圖書館撰寫論文的日子，你還幫我處理論文 engchi U 頁碼的問題，甘霞；還有俊為這段時間的乖巧聽話，學校功課也不需爸媽的叮嚀，讓我們可以很專心的完成碩士學程，謝謝你們。僅以此篇論文，獻給我最愛的家人。. 馮成發謹誌于台北木柵，政治大學資科系 2014.1.20.

(4) Flickr 網站上世界商務城市之情感輪廓. 摘要近年來電腦科學的進步只能以一日千里來形容，不管在軟體或是硬體方面都有驚人的發展，軟體方面有網際網路 Web 2.0 技術的興盛及普及，使得人們在分享及交流資訊更加快速且便利，硬體方面則有數位相機和有照相功能智慧型手機的發明，造就了分享資訊很快的從文字模式演變成影音、相片等多媒體模式。Flickr 社群網站為目前網路世界裡最重要的相片分享平台，每個人都可以將生活中擁有喜、怒、哀、樂情緒的相片上傳至該網站上與他人分享，而且此網站平台也提供下標籤功能，讓上傳者可以更正確的傳. 治政大境情緒反應為愉快、或甚至於興奮，相反地；當相片被加註上生氣的標籤，就表示該相立片給上傳者的情緒反應是不愉快的、或甚至於憤怒。當同一區域(如城市)透過大量情感標達要分享的情感。如當相片被加註上快樂的標籤，也就代表上傳者對這張相片當時的環. ‧ 國. 學. 籤的累積，自然而然就會呈現出該區域的情感輪廓。. ‧. 情緒議題的研究近年來在各知識領域中已被廣泛的討論著，但針對區域性的情緒表. sit. y. Nat. 現之研究探討似乎還不多。本研究藉由 Flickr 社群網站的全球性特質，結合 Derudder and. io. er. Taylor 兩位學者於 2005 年提出的「The cliquishness of world cities」研究報告，定義出 41 個商務活動頻繁城市作為本研究的研究範圍，並應用 Flickr 社群網站上強大又完整的 API. n. al. Ch. i n U. v. 介面功能，撰寫 Client 端程式擷取這些城市在 Flickr 網站上有加註情緒標籤的相片數共. engchi. 761,854 張、其相關的標籤數有 21,569,593 個，再經由本研究提出的研究方法及步驟，逐一處理這些各城市相片上傳者所加註的大量標籤，就可以找出每個城市各情感象限數量最多的前 30 個標籤當作顯著標籤。. 最後本研究綜合分析從 Flickr 網站上取得的大量城市、相片、及顯著標籤相關資料，分別計算出每個城市正負向情感象限的強度百分比，再以正向情感象限強度百分比為基準，定義出這些商務活動頻繁城市的「快樂指數」數值；並利用社會網絡分析軟體 NodeXL 來觀察各城市、情感性標籤與顯著標籤所呈現的網絡關係。. 關鍵詞：Flickr、NodeXL、社群網站、城市、相片、顯著標籤、情緒標籤。.

(5) Emotional Contours of the Commerce Cities on the Website Flickr. Abstract In recent years, the computer science progress is extremely fast, whether in software or hardware has an alarming growth. The software aspect has the Internet Web 2.0 technology prosperity and popular, causes the people in share and exchange information are faster and convenient. The hardware aspect has the digital cameras and the smartphones invention, causes the share information from the writing pattern to the multimedia patterns very quickly. The Flickr social website is the most important of shared photograph in the network. 政治大. world for currently,everyone can shared the joy, anger, sadness, happy mood photograph by. 立. uploading to this website. This website platform also provides the tagging function, lets the. ‧ 國. 學. uploader can more correct transmission their emotion. When the identical region (such as a city) through a large number of emotional labels cumulatively, naturally will be showing the. ‧. emotional contours of the region.. y. Nat. io. sit. Emotional issues have been widespread discussion in various area of knowledge in. n. al. er. recent years, but research the performance of emotion for region seems not much. This. i n U. v. research because of Flickr social website global special characteristic, combined Derudder. Ch. engchi. and Taylor two scholars to propose "The cliquishness of world cities" research reports in 2005, Defines 41 economics and trade activity frequent city to take this research the study scope. Finally, this research made a comprehensive analysis by a large number of cities, photos, and significant label information from the Flickr website, and calculates the percentage of each city to the strength of positive and negative emotions quadrant.Then the percentage of positive emotional intensity as a benchmark quadrant, Defines these economics and trade activity frequent city's "happiness index". Keyword: Flickr, NodeXL, social website, cities, photo, significant tag, emotion tag..

(6) 目次第一章緒論............................................................................................................................ 1 1.1 簡介 ............................................................................................................................... 1 1.2 研究背景與動機 ........................................................................................................... 1 1.3 研究目的與研究方法 ................................................................................................... 3 1.4 研究貢獻 ....................................................................................................................... 5 1.5 論文架構 ....................................................................................................................... 6. 政治大 2.1 社會網絡分析 ............................................................................................................... 8 立. 第二章文獻探討.................................................................................................................... 8. ‧ 國. 學. 2.1.1 社會網絡................................................................................................................ 8 2.1.2 社會網絡分析的原理與意義................................................................................ 9. ‧. 2.1.3 社會網絡分析的特徵.......................................................................................... 11. sit. y. Nat. 2.2 大眾分類法之探討 ..................................................................................................... 12. io. er. 2.3 下標籤(TAGGING)的行為研究 .................................................................................... 15. al. 2.3.1 標籤(Tag) ............................................................................................................. 15. n. v i n 2.3.2 下標籤(Tagging)的動機C ...................................................................................... 15 hengchi U 2.3.3 下標籤(Tagging)的相關研究 .............................................................................. 17 2.4 情緒理論分析 ............................................................................................................. 19 2.4.1 情緒的定義.......................................................................................................... 19 2.4.2 情緒的類型.......................................................................................................... 20 第三章研究方法.................................................................................................................. 24 3.1 研究架構 ..................................................................................................................... 24 3.2 研究範圍訂定 ............................................................................................................. 27 3.2.1 尋找 Flickr 網站上傳相片數量最多的前一百個城市 ...................................... 27 ii.

(7) 3.2.2 「The cliquishness of world cities」的世界網路城市分群資訊 ....................... 30 3.2.3 研究範圍的訂定與世界分布情形...................................................................... 34 3.3 研究流程 ..................................................................................................................... 35 3.3.1 搜尋研究範圍內各城市有「情緒字詞」標籤的相片...................................... 35 3.3.2 刪除標籤出現兩個城市(含)名稱以上之相片 ................................................... 40 3.3.3 以 Porter's Stemming 演算法規則處理蒐集到的標籤 ...................................... 41 3.3.4 篩選各城市的「候選顯著標籤」(Candidate Significant Tag) ......................... 43 3.3.5 建立「雜訊標籤字典」(Noise Tags Dictionary) ............................................... 44. 政治大 3.3.7 確認研究範圍內各城市情感象限的「顯著標籤」(Significant Tag) .............. 48 立 3.3.6 建立「同義詞標籤字典」(Synonyms Tags Dictionary) ................................... 46. 3.3.8 利用 NodeXL 社會網絡分析工具觀察特性...................................................... 49. ‧ 國. 學. 第四章研究結果與分析...................................................................................................... 50. ‧. 4.1 城市、相片及顯著標籤的分佈關係 ......................................................................... 50. Nat. sit. y. 4.2 FLICKR 網站上各情感象限顯著標籤間的社會網絡關係 ......................................... 53. n. al. er. io. 4.2.1 第一象限城市與顯著標籤的社會網絡關係...................................................... 54. i n U. v. 4.2.2 第二象限城市與顯著標籤的社會網絡關係...................................................... 56. Ch. engchi. 4.2.3 第三象限城市與顯著標籤的社會網絡關係...................................................... 59 4.2.4 第四象限城市與顯著標籤的社會網絡關係...................................................... 61 4.3 以標籤雲(TAG CLOUD)呈現每一情感象限顯著標籤 ............................................... 63 4.4 研究範圍內各城市在 FLICKR 網站上的情感輪廓分析 ........................................... 66 第五章結論與未來研究方向.............................................................................................. 72 5.1 結論 ............................................................................................................................. 72 5.1.1 Flickr 網站上商務活動頻繁城市「快樂指數」 ................................................ 72 5.1.2 各情感象限的重要關鍵標籤.............................................................................. 74 5.2 未來研究方向 ............................................................................................................. 75 iii.

(8) 5.2.1 搜尋相片時索引關鍵字語言上的變化.............................................................. 75 5.2.2 研究方法的延伸應用.......................................................................................... 75 參考文獻................................................................................................................................ 77 附. 錄.................................................................................................................................... 81 附錄一本研究範圍內 41 個城市各情感象限顯著標籤 ................................................ 81 附錄二以情感象限區分統計各城市顯著標籤的數量 ................................................ 126 附錄三研究範圍內每個城市各情感象限強度百分比 ................................................ 133. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. iv. i n U. v.

(9) 表次表 1-1 41 個商務活動頻繁城市名稱 ..................................................................................... 3 表 1-2 [圖片標籤觀察情緒字詞與事物概念之關聯]論文定義之情緒字詞 ........................ 4 表 3-1 上傳相片數量最多的前一百個候選研究範圍城市................................................ 29 表 3-2 以 GNC 排序前 50 個的城市名單 ........................................................................... 33 表 3-3 相片主檔(PHOTO)：存放從 FLICKR 網站取得之相片主要資訊 ............................. 39 表 3-4 相片標籤檔(TAGFORPHOTO)：存放相片所屬標籤資料 .......................................... 39 表 3-5 MARTIN PORTER(1980)提出的 PORTER'S STEMMING 演算法 ..................................... 42. 政治大 )第一象限候選顯著標籤及標籤數量 .............. 43. 表 3-6 PORTER'S STEMMING 的詞幹對應範例....................................................................... 42. 立. 表 3-7 STEMMIMG 處理後的倫敦(LONDON. ‧ 國. 學. 表 3-8 倫敦(LONDON)第一象限候選顯著標籤中不具可讀性的詞幹轉換回原標籤字詞44 表 3-9 雜訊標籤字典(NOISE TAGS DICTIONARY) ................................................................. 45. ‧. 表 3-10 以雜訊標籤字典刪除倫敦(LONDON)第一象限的候選顯著標籤 ......................... 45. sit. y. Nat. 表 3-11 同義詞標籤字典(SYNONYMS TAGS DICTIONARY) ................................................... 47. al. er. io. 表 3-12 倫敦(LONDON)四個情感象限的顯著標籤及數量 ................................................. 48. v. n. 表 4-1 各城市上傳相片中含有情緒字詞標籤的相片數.................................................... 51. Ch. engchi. i n U. 表 4-2 加註情緒字詞標籤相片其標籤集含有顯著標籤的數量........................................ 52 表 4-3 各情感象限不重覆顯著標籤數及標籤間連結數.................................................... 53 表 4-4 各城市第一象限選取前 10 個不重複的顯著標籤.................................................. 54 表 4-5 各城市第一象限顯著標籤間關聯數的各種比例分布情形.................................... 55 表 4-6 第一象限參與中間度指標值較高之顯著標籤節點................................................ 56 表 4-7 各城市第二象限選取前 10 個不重複的顯著標籤.................................................. 57 表 4-8 各城市第二象限顯著標籤間關聯數的各種比例分布情形.................................... 57 表 4-9 第二象限參與中間度指標值較高之顯著標籤節點................................................ 58 表 4-10 各城市第三象限選取前 10 個不重複的顯著標籤................................................ 59. v.

(10) 表 4-11 各城市第三象限顯著標籤間關聯數的各種比例分布情形 .................................. 59 表 4-12 第三象限參與中間度指標值較高之顯著標籤節點.............................................. 60 表 4-13 各城市第四象限選取前 10 個不重複的顯著標籤................................................ 61 表 4-14 各城市第四象限顯著標籤間關聯數的各種比例分布情形.................................. 61 表 4-15 第四象限參與中間度指標值較高之顯著標籤節點.............................................. 62 表 4-16 商務活動頻繁城市的各情感象限熱門標籤.......................................................... 63 表 4-17 倫敦(LONDON)各情感象限的相片數量與各象限的情緒表現百分比分布 ......... 67 表 4-18 FLICKR 網站上商務活動頻繁城市各情感象限強度表現較強前五大城市 .......... 68. 政治大網站上商務活動頻繁城市「快樂指數」排名 ............................................ 72 立. 表 4-19 FLICKR 網站上「最快樂」與「最不快樂」的商務活動頻繁城市 ...................... 68 表 5-1 FLICKR. 表 5-2 各情感象限的重要關鍵顯著標籤............................................................................ 74. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. vi. i n U. v.

(11) 圖次圖 2-1 RUSSELL 的情感構面架構 ......................................................................................... 21 圖 2-2 PLUTCHIK 之情緒立體模式圖 ................................................................................... 22 圖 2-3 RUSSELL 之情緒環狀體模式圖 ................................................................................. 23 圖 3-1 研究方法流程圖........................................................................................................ 26 圖 3-2 FLICKR 網站. FLICKR.PLACES.GETTOPPLACESLIST API 說明文件 ............................. 28. 圖 3-3 FLICKR 網站. FLICKR.PLACES.GETTOPPLACESLIST API 回傳. XML 訊息 .................. 29. 圖 3-4 透過各城市的 GNC 數值呈現出的社會網絡關係圖 ............................................. 32. 政治大圖 3-6 41 個研究範圍城市的世界分布情形圖 ................................................................... 35 立圖 3-5 FLICKR TOP100 城市相片數量與 GNC 分布圖 ........................................................ 34. ‧ 國. 圖 3-8 FLICKR 網站. FLICKR.PHOTOS.SEARCH API. 說明文件 ................................................ 37. FLICKR.PHOTOS.GETINFO API. 學. 圖 3-7 FLICKR 網站. 說明文件 ............................................... 38. ‧. 圖 3-9 同時存在「城市名稱」及「情緒字詞」標籤的相片範例.................................... 38. sit. y. Nat. 圖 3-10 透過 FLICKR 網站 API 介面取得「城市+情緒」標籤相片資訊架構圖 ............. 39. al. er. io. 圖 3-11 標籤出現兩個城市(含)名稱以上之相片 ............................................................... 40. v. n. 圖 3-12 使用 GOOGLE 翻譯網頁將非英語系的標籤轉換為英語系標籤 .......................... 47. Ch. engchi. i n U. 圖 4-1 各城市上傳相片中含情緒字詞標籤的百分比分布圖............................................ 51 圖 4-2 加註情緒字詞標籤相片其標籤集含有顯著標籤的分布圖.................................... 52 圖 4-3 各城市第一象限取前 10 個顯著標籤之社會網絡關係圖...................................... 55 圖 4-4 各城市第一象限取前 10 個顯著標籤且標籤間關聯數大於 2400 的社會網絡關係 ........................................................................................................................................ 56 圖 4-5 各城市第二象限取前 10 個顯著標籤且標籤間關聯數大於 860 的社會網絡關係 ........................................................................................................................................ 58 圖 4-6 各城市第三象限取前 10 個顯著標籤且標籤間關聯數大於 1150 的社會網絡關係 ........................................................................................................................................ 60. vii.

(12) 圖 4-7 各城市第四象限取前 10 個顯著標籤且標籤間關聯數大於 1100 的社會網絡關係 ........................................................................................................................................ 62 圖 4-8 商務活動頻繁城市第一象限顯著標籤所組成的標籤雲........................................ 64 圖 4-9 商務活動頻繁城市第二象限顯著標籤所組成的標籤雲........................................ 64 圖 4-10 商務活動頻繁城市第三象限顯著標籤所組成的標籤雲...................................... 65 圖 4-11 商務活動頻繁城市第四象限顯著標籤所組成的標籤雲 ...................................... 65 圖 4-12 研究範圍內各城市第一象限情緒強度分布圖...................................................... 69 圖 4-13 研究範圍內各城市第二象限情緒強度分布圖...................................................... 69. 政治大圖 4-15 研究範圍內各城市第四象限情緒強度分布圖...................................................... 70 立圖 4-14 研究範圍內各城市第三象限情緒強度分布圖...................................................... 70. 圖 4-16 研究範圍內各城市正向情緒象限強度分布圖...................................................... 71. ‧ 國. 學. 圖 4-17 研究範圍內各城市負向情緒象限強度分布圖...................................................... 71. ‧. n. er. io. sit. y. Nat. al. Ch. engchi. viii. i n U. v.

(13) 第一章緒論. 本章主要將介紹與本研究相關的背景知識，並根據此研究背景延伸出情緒字詞標籤的社會網絡關係與研究動機，再綜合研究動機之論述，提出本研究之研究目的與方法。. 1.1 簡介. 立. 政治大. ‧ 國. 學. 自 1990 年代網際網路開始蓬勃發展後，造就了人們在資訊交流上的便捷與快速，又隨著網路的頻寬日漸擴增，資訊的交流也由頻寬需求小的文字(Text)模式，漸漸演變. ‧. 到頻寬需求大的圖片(Image)、相片(Photo)或影片(Video)模式，在文字模式下作者可以很. Nat. sit. y. 精準地表達要傳遞的訊息，但圖像模式則會因為每個人的感受不同而有不同的解讀，因. n. al. er. io. 此作者需加註額外的標籤(Tag)來表達要傳遞的意境。又近年來拜數位相機及智慧型手機. i n U. v. 的普及所賜，使得以相片(Photo)為媒介的分享變得更為便利。Flickr 網站即為一以 Web. Ch. engchi. 2.0 技術為基礎的全球性相片分享平台，世界各城市的上傳者可於相片上傳的同時加註要分享的意境標籤，當情緒字詞透過這些大量的上傳相片產生連結關係後，我們想試著從這些連結所建立的關聯網路中，找出世界各城市的情感輪廓。. 1.2 研究背景與動機. 網際網路的興起與 Web 2.0 技術的應用，使得許多網站內容不在只是單向的來自提供者，進而演變為雙向的由每位使用者來參與產生，所產生的網站內容藉由人與人的分. 1.

(14) 享，就形成了現在的 Web 2.0 世界；也因為每個人都可以上傳資料，所以就產生了非常龐大的分享資料，當這些龐大資料如為非文字模式的影音媒體時，在分享及搜尋時就不容易被找尋到，因此必需在這些分享的資料中加入”中介資訊”(MetaData)來描述資料本身的特性，其中下標籤(Tagging)就是一種最常見的方法，所下的標籤(Tag)會被拿來當作關鍵字或索引字詞，搜尋者透過這些標籤就可以很快地找到相關的分享資源。. Flickr 為目前全世界上最重要的網路圖像分享網站，也是 Web 2.0 應用方式的絕佳. 政治大. 例子，根據 Flickr 官方網站統計自 2004 年首度問世，並於隔年被 Yahoo!收購的 Flickr. 立. 全球會員已達 9200 萬人，每日上傳照片超過 350 萬張，總累積的圖像數量已超過 80 億. ‧ 國. 學. 張，圖庫中不重複的標籤(Tag)數量已超過 20 億個，因為 Flickr 網站未設定任何下標籤的限制，世界各城市的上傳者可以自由地為每張相片加上相機型號、拍攝地點、心情、. ‧. 場合等等標籤，所以也就形成結構散漫的標籤群(Tags)，這些標籤群在吳筱玫與周芷伊. Nat. sit. y. (民 98)的研究中指出最少有四種主要型態：(1)與主題相關、(2)以公開分享為目的、(3). n. al. er. io. 以私人收藏為目的、(4)情感性標籤，其中情感性標籤依據 Russell（1980）所歸納出的. i n U. v. 「感覺環模型」(circumplex model of affect)可區分為分為正面和負面情緒，按強度分為. Ch. engchi. 強烈與不強烈層級；而這些情感性標籤正是上傳者對上傳相片的情緒抒發，當同一地點的情感性標籤累積到一定數量時，就可以呈現出該地區的情緒特性；我們試著藉由這些” 情感性標籤”及”拍攝地點”的連結及數量，找出各城市在 Flick 網站上的情緒輪廓；更進一步可透過這些連結關係，將看似原本毫無關聯的許多城市，繪畫出世界各城市在 Flick 網站上的社會網絡(Social Network)，再藉由社會網絡分析(Social Network Analysis)工具進行剖析，以了解整體社會網絡的特徵。. 2.

(15) 1.3 研究目的與研究方法. Flickr 網站自設站以來已累積了非常龐大的相片資料庫，網站為了讓使用者能夠很容易的取得各種相關資訊，提供了具有彈性又容易使用的 API，供外界程式設計師能夠自行開發、延伸 Flickr 的外部功能，除了可以直接透過 API 對相片進行修改的動作，亦可以設定各種參數如：拍攝地點、拍攝日期、標籤…等，再經由特定的 API 搜尋到想要找的相片；本研究即利用 Flickr API 取得各城市 2004 年至 2012 年含情緒字詞標籤的相. 治政關相片當資料來源，進一步分析各城市在 Flickr 網站上的情緒輪廓及城市間的社會網絡大立關係。 ‧ 國. 學 ‧. 首先本研究使用 Java 語言撰寫 API Client 端程式，呼叫 Flickr 網站提供的 flickr.places.getTopPlacesList API 介面，取得上傳相片數量最多的前一百個城市名稱，並. y. Nat. io. sit. 結合 Derudder and Taylor (2005)在 The cliquishness of world cities 的研究報告中，兩位學. n. al. er. 者透過跨國性服務企業於各城市設置部門的關係網路，分析世界城市群組化(cliquishness). Ch. i n U. v. 的特性報告，訂定出 41 個商務活動頻繁城市(表 1-1)為本研究的研究範圍。. engchi. 表 1-1 41 個商務活動頻繁城市名稱 Flickr 網站上 41 個商務活動頻繁城市 London. New York. Hong Kong. Paris. Tokyo. Singapore. Chicago. Milan. Los Angeles. Toronto. Madrid. Amsterdam. Sydney. Frankfurt. Bruxelles. Sao Paulo. San Francisco. Mexico City. Zurich. Taipei. Melbourne. Miami. Kuala Lumpur. Stockholm. Bangkok. Prague. Dublin. Shanghai. Barcelona. Atlanta. 3.

(16) Moscow. Istanbul. Beijing. Washington. Vienna. Copenhagen. Budapest. Montreal. Hamburg. Munich. Seoul. 為了取得這 41 個城市在 Flickr 網站上有被上傳者加註情緒字詞標籤的相片，本研究引用彭聲揚(民 100)於碩士論文”透過圖片標籤觀察情緒字詞與事物概念之關聯”中定義的 24 個情緒字詞組；以這 41 個城市名稱及 24 個情緒字詞組(表 1-2)當傳入參數呼叫 flickr.photos.search API 介面，取得相關相片數共 761,854 張、相關的標籤數共 21,569,593 個。. 政治大. 立. ‧ 國. 學. 表 1-2 [圖片標籤觀察情緒字詞與事物概念之關聯]論文定義之情緒字詞正向高強度(Q1). sad. distressed. scary. cry. tears. scream. lonely. 正向低強度(Q4) calm. relaxed. peace. serene. quiet. sleepy. y. afear l. Ch. sit. play. bored. er. joy. ‧. love. pain. n. happy. 負向低強度(Q3). angry. io. jump. Nat. excited. 負向高強度(Q2). n U engchi. iv. tired. 由於 Flickr 網站在下標籤的行為上是非常自由的，所以出現了上傳者於同一相片上加註了兩個城市(含)以上的標籤，因為此類相片無法精確的將它歸屬於哪一個城市，故本研究需排除有這種情形之相片，經統計此類相片數有 51,343 張，最後取得有效相片數為 710,511 張。在 Flickr 網站下標籤行為是以英語為主要，英語系的字詞有許多的變化，同一詞意會因人而異而使用不同的標籤，如動詞的過去式、現在式、未來市，名詞的單複數，形容詞和副詞的區分，這些詞意相同卻使用不同英文字詞的標籤，需透過 stemming 的方法將它們還原到詞幹(stem)，使同詞意的標籤數量可以統計在一起。再以城市為單位將經過 stemming 處理後的詞幹標籤，依據情感四象限的區分統計各詞幹標籤的數量， 4.

(17) 然後選取各象限數量最多的前 100 個標籤當作”候選顯著標籤”(Candidate Significant Tag)。. 下標籤(Tagging)大部分是以單一字詞為之，並沒有句子的上下文論述等完整性，所以會有一些標籤是無法辨識或無意義的，如：數字、介係詞等，本研究過濾 41 個城市所挑選出來的 16,400 個候選顯著標籤，整理出毫無意義、相機資訊、或人名/地名等標籤共 3050 個，並用這些標籤建立一”雜訊標籤字典”(Noise Tag Dictionary)，以作為刪除. 政治大. 候選顯著標籤之依據；另外 Flickr 網站上的標籤會因上傳者使用的語系不同，而出現所. 立. 下的標籤字詞雖不同，但卻是表達同一詞意的情形，如：love(英文)、amore(義大利文)、. ‧ 國. 學. liebe(德文)三個字詞都是”愛”的意思，這些同義詞標籤需轉換為同語系的字詞標籤，如此才可以相互比較與連結，所以本研究利用 Google 網站的翻譯工具，以英語系為標準. ‧. 建立一”同義詞標籤字典(Synonyms Tags Dictionary)”，藉以將其他語系的候選顯著標籤. Nat. n. al. er. io. 城市各情感象限的前 30 個候選顯著標籤當作顯著標籤。. 1.4 研究貢獻. sit. y. 皆轉換為英語語系，經過雜訊標籤字典的刪除和同義詞標籤字典的轉換後，選定出每個. Ch. engchi. i n U. v. 本研究以蒐集到的各城市情感象限顯著標籤為資料基礎，首先分析顯著標籤與城市、相片的分布關係，統計後發現每張相片中含有顯著標籤數以二至五個為最多，其相片數量合計有 261,887 張，約佔本研究總相片數量 710,511 張的百分比為 36.86%；另外再以有加註情緒字詞標籤相片數佔總相片數的百分比來觀察各城市，其中墨西哥城(Mexico City)13.2%、香港(Hong Kong)12.2%、邁阿密(Miami)10.0%為比例較高城市，維也納 (Vienna)1.0%、台北(Taipei City)1.1%、布魯塞爾(Bruxelles)1.2%為比例較低城市，比例. 5.

(18) 高低數值代表著該城市抒發情緒的意願傾向。. 其次是利用社會網絡分析軟體 NodeXL 來觀察藉由相片的連結關係，探討研究範圍內各城市、情緒字詞標籤與顯著標籤所呈現出來的各情感象限網絡關係，並透過 NodeXL 軟體計算各標籤節點(Node)的網絡中心指標值，再引用參與中間度指標(Betweenness)值的特性，找出各情感象限除了「情緒字詞」為該象限的關鍵標籤外，還有哪些顯著標籤是屬於該象限關係連結度較強的重要節點標籤。. 立. 政治大. 當群眾加註於城市的情緒標籤聚集到一定數量時，藉由協同標籤概念就可以得到這. ‧ 國. 學. 個城市的情感輪廓，最後本研究分析從 Flickr 網站上取得大量有加註城市名稱及情緒字詞標籤的相片資料，分別計算出每個城市正負向情感象限的強度百分比，再以正向情感. ‧. 象限強度百分比為基準，定義出這些商務活動頻繁城市的「快樂指數」數值，其中. Nat. sit. y. Sao Paulo(聖保羅)的快樂指數 97.14%為最快樂城市、Melbourne(墨爾本)的快樂指數. n. al. er. io. 69.67%為最不快樂城市。. 1.5 論文架構. Ch. engchi. i n U. v. 第一章緒論簡介網際網路上資訊分享媒介及傳播技術的演進變化，並說明 Flickr 社群網站為目前世界上最重要相片分享平台之特色，及該網站適合研究探討分析的背景及原因；另外還概述本研究所設計的研究方法及步驟，在取得 Flickr 網站上各種相片及標籤資料後，並以社會網絡分析工具加以統計分析，及提出本研究的貢獻。. 6.

(19) 第二章文獻探討探討與本研究相關的技術與文獻。本研究的主要對象為 Flickr 網站上，分享相片中標籤集含有「情緒字詞標籤」的上傳相片，這些標籤經由相片的連結即可構成一相片標籤社會網絡，所以本章探討的技術與文獻包含有社會網絡分析、大眾分類法之探討、下標籤(Tagging)的行為研究、情緒理論分析。. 第三章研究方法. 政治大. 首先以「研究架構圖」呈現整個研究中，所使用到的 Flickr 網站 API 與 MySQL 資. 立. 料庫的連結關係，同時也呈現出每一個研究步驟的先後流程。其次說明研究範圍內 41. ‧ 國. 學. 個「Flickr 網站上商務活動頻繁城市」的訂定方法；最後詳細闡述本研究提出的研究方法，及如何取得 41 個城市的四個情感象限，各篩選出「30 個顯著標籤」的詳細過程及. ‧. 步驟。. sit. y. Nat. n. al. er. io. 第四章研究結果與分析. i n U. v. 以蒐集到的各城市情感象限「顯著標籤」為研究資料，進行各種社會網絡關係特性. Ch. engchi. 分析，第一節探討城市、相片及顯著標籤之間的分布關係，第二節以四個情感象限為區分，分別觀察城市與每個情感象限顯著標籤透過相片的連結，所呈現出來的社會網絡關係，第三節應用標籤雲的特性，找尋各情感象限的熱門標籤，第四節以每個城市各情感象限的相片數量分布比例為依據，計算各城市的快樂指數及排序。. 第五章結論與未來研究方向。以「41 個 Flickr 網站上商務活動頻繁城市」為範圍，產生各城市的「快樂指數」並排序；並提出本研究未來的延伸研究方向及應用。. 7.

(20) 第二章文獻探討. 本章將對本研究中所使用之技術及相關研究做文獻探討，並了解目前相關研究的發展進度及方法探勘。以下本章將分別對社會網絡分析、大眾分類法之探討、下標籤. 政治大. (Tagging)的行為研究、情緒理論分析等這四個相關研究議題做詳細的介紹。. 立. ‧ 國. 學. 2.1 社會網絡分析. ‧. 2.1.1 社會網絡. sit. y. Nat. io. er. 社會性網絡最先起源於美國著名社會心理學家米爾格倫(Stanley Milgram)於 1967. al. 年最先提出的“你和任何一個陌生人之間所間隔的人不會超過六個，也就是說，最多通. n. v i n Ch 過六個人你就能夠認識任何—個陌生人”研究，此結論被稱為『Six Degrees of Separation engchi U 六度分隔理論』。網路指的是各種節點的連結，而社會網絡(Social Network)可以簡單地稱為社會關係所連結而成的結構網路。從另一個方面來說，社會網絡代表著一種結構關係，它可以反映各節點間的社會關係，構成社會網絡的主要元素有. (Mitchell, 1969)：. 行動者(Actors)：這裡的行動者不但可以指具體的個人，也可以指一個群體、公司或其他集體性的社會單位，每個行動者在網路中的位置被稱為“節點(node)”。這些行動者經常同時屬於許多不同的網絡，而且在各個網絡內扮演不同的角色，當行動者由於離開或其他原因消失時，他自己的網絡將隨之消失，因此可以說，行動者是網絡的主體。 8.

(21) 兩個行動者間由於某種關係的存在而會影響彼此之互動，不同的關係型態或關係內容常使網絡呈顯不同的風貌。. 連結關係(Relationship)：行動者之間相互的關聯即稱連結關係。代表行動者之間具體的實質性連繫，這包含關係的「存在」，以及關係的「型態」等。各個行動者是透過各種關係而連繫在一起，關係可以是多種類型的，兩個行動者間由於某種關係的存在而影響彼此之互動，不同的關係型態或關係內容常使網絡呈現不同的風貌。常見的係型態. 政治大. 有(1)交易關係(Transaction relations) (2)溝通關係(Communication relations) (3)工具性關. 立. 係(Instrumental Relations) (4)情感關係(Friendship Relations)等，此部份定義，端看研究者. ‧ 國. 學. 的需要，不同的關係型態或關係內容常使網絡呈顯不同的風貌。. ‧. 所以「社會網絡」(Social Network)是指社會行動者(Actor)及其間連結關係模式. Nat. sit. y. (Relationship)的集合。行動者與關係是社會網絡構成的基本要素，用點和線來呈現網絡. n. al. er. io. 是社會網絡的形式化表現。. Ch. e. 2.1.2 社會網絡分析的原理與意義n g c h. i. i n U. v. 社會網絡分析(Social Network Analysis，SNA)問題起源於物理學中的適應性網路，透過研究網路的關係，有助於把個體間關係、小規模微觀網絡與大規模社會系統的巨集觀網絡結構結合起來，通過數學方法、圖論等定量分析方法，是 20 世紀 70 年代以來在社會學、心理學、人類學、數學、資通信科學等領域逐步發展起來的一個的研究分支。社會網絡分析不僅是對關係或結構加以分析的一套技術，還是一種理論方法，因為在社會網絡分析學者看來，社會學所研究的對象就是社會結構，而這種結構即表現為行動者. 9.

(22) 之間的關係模式。社會網絡分析專家韋爾曼(Barry Wellman)指出：網路分析探究的是深層結構，隱藏在複雜社會系統表面下的網路模式。例如，網路分析者特別關註於特定網路中的關聯模式如何通過提供不同的機會或限制，從而影響到人們的行動。韋爾曼指出社會網絡分析具有如下的基本原理：. 1.. 連結關係經常是不對稱地相互作用著的，但在內容和強度上都有所不同。. 2.. 連結關係直接或間接地把網絡成員連接在一起，故必須在更大的網絡結構背景. 政治大. 中對其加以分析。. 立. 社會連結關係結構產生了非隨機的網絡，因而形成了網絡群(Network Clusters)、. 學. ‧ 國. 3.. 網絡界限和交叉關聯。交叉關聯把網路群以及個體聯繫在一起。. 5.. 不對稱的連結關係和複雜網絡，常造成稀少短缺資源的分配不平等。. 6.. 網絡產生了以獲取稀少短缺資源為目的的合作和競爭行為。. ‧. 4.. n. er. io. sit. y. Nat. al. i n U. v. 傳統上對社會現象的研究存在著個體主義方法論與整體主義方法論的對立，前者強. Ch. engchi. 調個體行動及其意義，認為對社會的研究可以轉換為對個體行動的研究。如韋伯(Max Weber)明確指出，社會學的研究對象就是獨立的個體的行動。但整體主義方法論卻強調只有結構是真實的，認為個體行動只是結構下的衍生物。儘管整體主義方法論者重視對社會結構的研究，但他們對結構概念的使用也有很大的分歧。其實在社會學中，社會結構是在各不相同的層次上使用的，它既可用以說明微觀的社會互動關係模式，也可說明巨集觀的社會關係模式。也就是說，從社會角色到整個社會都存在著結構關係。. 10.

(23) 2.1.3 社會網絡分析的特徵. 社會網絡分析法可以從多個不同角度進行分析，包括度數、中心性與凝聚性的衡量是社會網絡分析中重要的衡量指標，其意義說明如下：. 1.. 度數(Degree)：社會網絡分析中的衡量基礎，透過行動者之間的「距離」來研究行動者的關聯性，網絡圖上的兩點如果被一關係連結我們稱之為為「相鄰」. 治政 (adjacent)。一個特定點(a given point)與其他點相鄰的個數，稱為該點的點度數大立「度 (degree of point)，即計算與該點相鄰的其他點的數目。Freeman (1979) 指出： ‧ 國. 學. 數是衡量節點在其鄰居節點中相對重要性的局部中心性，具有較高度數的節點. ‧. 對網路有更廣闊的視野」。Wartburg, Teichert and Rost (2005)更加以延伸，透過計算引用與被引用的總數分別定義 Freeman out-degree 與 Freeman in-degree。. y. Nat. n. al. er. io. sit. 本研究則應用度數(Degree)來定義顯著標籤節點的大小。. 2.. Ch. i n U. v. 中心性(Centrality)：個人或組織在其社會網絡中具有的權力，或者說居於怎樣. engchi. 的中心地位，這一思想是社會網絡分析者最早探討的內容之一。個體中心度 (Centrality)是測量個體處於網絡中心的程度，反映了該點在網絡中的重要性程度。因此一個網絡中有多少個行動者就有多少個個體的中心度。除了計算網絡中個體中心度外，還可以計算整個網絡的集中趨勢(Centralization)。個體中心度可用來表示個體特性的不同，網路中心勢講的是整個網路中各個節點的差異性程度，因此一個網絡只會有一個中心勢。常見的集中性指標有連接中間度指標(Degree Centrality)、近距中間度指標(Closeness Centrality)、參與中間度指標 (Betweenness Centrality)。. 11.

(24) 3.. 密度(Density)：Wasserman and Faust (1994)提出「密度」指的是網絡成員彼此互動的聯繫程度，亦即成員間彼此互動的平均程度。密度高就表示網絡中的任何一個成員和其他成員的連結關係多，密度低就是每一個成員間相互連結較少。當群體的網絡密度值越高，成員的互動程度也越高。Coleman (1990)認為成員彼此互動程度越高，產生的資訊與資源交換就會增加，而且當一個團體有互動，成員就會分享價值、信念或目標，也容易產生情緒感染，因此對團體運作易有. 政治大表示成員和其他成員的連結少或是只限於和少數有互動，如此會對團體的運作立正向影響。相反地，當群體的網絡密度值越低，成員彼此的互動程度也越低，. ‧ 國. 凝聚性(Cohesion)：在社會網絡分析中扮演了重要的角色，如何把行動者歸類. ‧. 4.. 學. 及結果產生較不良的影響。. 成各個不同派系(cliques)是其關注的重點。亦即以行動者間關聯的密度來分析. y. Nat. io. sit. 存在網路結構中的「子結構」(sub-structure)。一個派系無非是行動者的子集合，. n. al. er. 只是該子集合中的行動者間的聯繫相對比較緊密。以此理解一個群體的團結性，. Ch. i n U. v. 並進一步詮釋整體社會網絡是如何行事，具有很重要的意義。. engchi. 2.2 大眾分類法之探討. 使用分類來達成有效資源的彙整是一種常見的方法，而階層式架構分類是我們熟悉且最常慣用的方式，例如生物學中對於所有生物的分類，是根據生物的各種屬性，以界、門、綱、目、科、屬、種的階層式架構來分類。又例如圖書館對於所有的書本也是透過階層式的架構來分類，並且對所有的分類利用樹狀架構來進行唯一性路徑的編碼，使得尋找書本只需要透過編碼即可尋獲。然而資源往往並非只包含單一純粹的意義，根據分. 12.

(25) 類角度的不同，資源落在分類的種類也會有所不同，平面式的分類因為直覺且易於使用，在無法建構階層式架構時也常常被人們使用，這樣的分類依據我們稱之為大眾分類法 (Folksonomy)，通常是利用其屬性的共同或相似性來分類。. 大眾分類法(Folksonomy)第一次提出是由 Thomas Vander Wal 於 2004 年將「Taxonomy：分類的」和「Folk：字源是德文，意思是人民、群眾(people)」，兩個字結合而成的新字，所以「Folksonomy」指的是由使用者進行分類的系統(Mathes, 2004)。相. 政治大. 較於過去傳統資源的分類定義是由少數專家來決定資源的意義以及其分類屬性，大眾分. 立. 類法是一種由下而上(Bottom-up)的分類法，它沒有階層概念，而是群聚性。意指當資源. ‧ 國. 學. 被越來越多次的標籤所定義時，便會產生出新的定義來取代由專業人士所給予的定義。大眾分類法並不要求分類者需要具備專業的分類知識，並且在本質上是鼓勵分類者任意. ‧. 分類，再藉由對一個資源所累積的鬆散分類結構而逐漸收斂至協同定義，所以不管使用. Nat. sit. y. 者對資源有何種程度認知，都可以由他自身的認知程度來對資源進行搜尋和分類(Golder. n. al. er. io. & Huberman, 2006)。因此我們可以認為大眾分類法是一個經由使用者投票而產生的分類. i n U. v. 機制，也可以說是一種使用任意關鍵字為基礎的分散式分類系統，是由一群單獨個體的. Ch. engchi. 使用者所建立的(林慶文，民 96)。在 Web 2.0 的精神下，運用此方法進行資料分類，可以適時的解決傳統分類法中的問題。大眾分類法的概念與傳統分類學並不能相提並論。在傳統分類學中，分類的好壞評估方式，往往都是以分類速度、分類效果、或是解決關鍵字語意為主。主要是透過機器學習或是建立知識庫的方式模擬人的行為思考，在技術上或方法上力求突破。但是大眾分類法將這一切捨去，透過使用者自訂的標籤註記直接進行分類，將分類結果的優劣決定權帶回到使用者身上。在傳統分類學領域中帶來了強大衝擊，並且引導至新的分類思考層面。大眾分類法雖然有很多優點，但也存在著一些缺點(Kipp, 2006)。. 13.

(26) 大眾分類法優點： 1.. 降低分類成本：自由的分類機制可由群眾的力量來完成分類，讓搜尋變得更容易。如果使用者可以提供相似或更佳品質的標籤資訊，則相較於傳統對於文字內容的關鍵字搜尋，使用者對標籤搜尋是顯而易見且較低成本的方法，標籤可以提升資源額外的鏈結管道與機會。. 2.. 需求線(Desire Lines)：當越來越多人走過同一條路時，就會出現「需求線」，. 政治大. 變成人們共用的道路。當越來越多的使用者替同一資源加註標籤時，藉由協同. 立. 標籤概念就可以得到大眾對於一個事物的看法認知，以及所共用的語言和辭彙，. ‧ 國. 學. 無論辭彙是抽象的或是概念性的描述。. ‧. 大眾分類法缺點：. Nat. y. 語意模糊(Ambiguity)：指的是當一種辭彙出現多種意義時，便不容易搜尋出想. sit. 1.. n. al. er. io. 要的結果。例如說 Windows 可以代表是微軟公司的作業系統，也可以解釋為. i n U. v. 窗戶；Apple 可以代表是蘋果電腦公司，也可以解釋為水果的一種。另外縮寫. Ch. engchi. 字也有此種問題，如 ATM 可以是自動提款機(Automated Teller Machine)及非同步傳輸模式(Asynchronous Transfer Mode)的意思。. 2.. 同義字(Synonyms)：因為大眾分類法的特性，使得人們替資源定義時可能採用同義字來描述相同的意義。如 Flickr 中最常見到的 lover 與 lovers 雖意指相同的意義，但系統在分類上仍是視為不同的。. 14.

(27) 2.3 下標籤(Tagging)的行為研究 2.3.1 標籤(Tag). Web 2.0 時代的來臨創造了一個群眾書寫的園地，它強調以寫者(writer)為中心，將以往單向、由上而下的組織型態，逐漸轉換成多向、由下而上的集結模式。所謂的「標籤」(Tag)，其實就是關鍵字(Keyword)或索引詞彙(Index Term)(卜小蝶，民 96)，其本質. 政治大網路資源的關鍵詞或是片語，這些資源可以是音樂、相片、影片、文件...等，且這些網立. 是指由使用者共同為各種資源進行標記(卜小蝶，民 91)，換言之，標籤(Tag)是用來描述. ‧ 國. 學. 路資源都必須是可以用 URL 所表示的資源。標籤是一種用來幫助描述某個媒體(Media) 的多元資料(Metadata)，而且可透過標籤讓此媒體在使用者瀏覽時或是搜尋資訊時再次. ‧. 被搜尋到，而標籤行為(Tagging)是產生標籤的過程或是方法，也稱之為「標記」或是「下. sit. y. Nat. 標籤」。近年來有許多大型網站像是影音分享網站 Youtube 和網路相簿分享網站 Flickr. io. er. 等，都已經提供了「下標籤」這樣的功能，其主要原因也是因為標籤具有較高的識別性. al. 可讓使用者自行發揮。以目前網路興起的協同標籤(Collaborative Tagging)網站為例，其. n. v i n C h Delicious 網路書籤、Flickr 中以建立與分享標籤為主的網站就有網路相簿、Youtube 影 engchi U 音分享、CiteULike 學術網路書籤和 43things 等(李麗華等人，民 101)。. 2.3.2 下標籤(Tagging)的動機. 下標籤(Tagging)的動機可分為利己動機(Selfish' Tagging Discipline)與利他動機 (Altruistic' Tagging Discipline)（Hammond, Hannay, Lund, & Scott, 2005），因不同的動機可能產生不同的標記行為，不同的標記行為會支援不同的任務類型(盧韋伶，民 99)。Ross Mayfield 於 2005 年探討使用者主動下標籤背後的動機，他認為最初的動機來自於利己， 15.

(28) 讓自己的照片和文章有更清楚的分類，讓他人更容易地找到自己的作品，進而提高曝光率。但就在此同時，因為廣大使用者進行同類的行為，無意間也提供了標籤彙整網站 (Flickr, Technorati)大量的資訊，讓他們能將內容整理分類方便每個人搜尋，間接地造就了一筆利他的功德(林宸均，民 100)。使用者會依被下標籤資訊媒體之情境，決定自己的下標籤行為，如果以分享為目的，一般會採用通用的詞彙，相反地，如果是以個人收藏為目的，則會有許多個人化的特有名詞或符號；且熟悉度愈高的網站，標籤的一致性愈高(楊雅婷，民 95)，但有時候，使用者也會使用專屬於社群的字詞，以保證這些詞只. 政治大. 有社群成員才看得懂(Lange, 2007)。有些網站訂有下標籤之使用守則，提醒使用者不要. 立. 任意下標籤；有些網站會協助做一些判斷服務，提供使用者他人普遍使用之標籤(Tapscott. ‧ 國. 學. & Williams, 2006)。而為了強化下標籤的穩定性，許多新的服務與應用被開發出來，也有人開發「社會標籤系統」，結合傳統與大眾的分類方式，把「由下而上」的標籤雲，. ‧. 納入「由上而下」的主要分類之下(Quintarelli, Rosati, & Resmini, 2006)，以同時滿足專. Nat. sit. n. al. er. io. 務：. y. 家與業餘的需要。而 Sen et al.(2006)歸納出下標籤行為普遍來說可支持五種使用者任. Ch. engchi. i n U. v. 1.. 自我表達(Self-expression)：標籤的特性可以幫助使用者表達個人的意見。. 2.. 組織行為(Organizing)：標籤可幫助使用者組織個人的資訊項目。. 3.. 學習(Learning)：幫助使用者知道更多和某個資訊項目相關的知識。. 4.. 尋找(Finding)：幫助使用者找到個人想要的資訊項目。. 5.. 決策支援(Decision support)：幫助使用者決定是否使用或瀏覽某個資訊項目。. 16.

(29) 2.3.3 下標籤(Tagging)的相關研究. 下標籤(Tagging)之相關研究從 2004 年至今未曾中斷，大多關注於三個議題：「標籤的使用模式研究」、「標籤的語意分析研究」、「標籤的類別研究」(吳筱玫、周芷伊，民 98)。. 標籤使用模式研究：Smith (2008) 指出下標籤的問題來自於四種張力互相拉扯：. 治政 (1)個人/社會，下標籤主要是為了自己方便或是為了與社群分享；(2)冷僻/標準，大立是要下獨一無二的標籤來表示個人，或是使用一般的詞彙以供搜尋和瀏覽；(3) 學. ‧ 國. 1.. 自由/控制，網站的管理者是否要給予使用者完全自由的下標籤，或是要控制. ‧. 使用者所能使用的標籤範圍；(4)業餘/專家，標籤的好壞由誰來決定，在評估時業餘與專家是否佔有同等份量。Lange (2007)也指出使用者在使用標籤時會. y. Nat. io. sit. 使用專屬於某社群的字詞，目的在於讓只有屬於此社群的人才看得懂。使用者. n. al. er. 在下標籤的同時也會因為情境而改變自己的使用行為，如果是以分享為目的，. Ch. i n U. v. 會使用通用的詞彙方便瀏覽，反之，如果是以個人為目的，則會使用較個人化. engchi. 的詞彙或符號。另外，有些網站會有標籤的使用限制，提醒使用者不要隨意的下標籤，而有些網站則是提供大眾普遍使用之標籤來協助使用者下標籤。. 2.. 標籤語意研究：Golder and Huberman (2006)提出較常遇到的三大問題：多義詞 (Polysemy)、同義詞(Synonymy)和基礎階層的變異(Basic level variation)。也就是說當一個標籤具有多個意義時，就無法準確地透過此標籤把原本相關的事物連結起來，降低了原本具有的關聯性。例：有一個標籤為 Windows，此單字原意思為「窗戶」，但也有可能代表的是微軟公司的「視窗作業系統」，兩者所代. 17.

(30) 表的事物不盡相同，卻會因為是同一字詞而被連結在一起；而同義詞的問題與多義詞雷同，因不同的使用者可能會採用不同的字，針對「紐約」這個城市名稱，可能會使用 New York 或是 NY、NYC 來代表，這也會失去原本應有的關聯性。也因為每個人的認知不同，在沒有專家分類的協助下，標籤累積的秩序感便難以建立，也影響到分類的精確性。在標籤的運作之下，詞與詞之間本來就有的語意關係，逐漸被統計關係所替代，一旦個人分類完畢，標籤就會變成一個字串，等著被系統以數學程式運算。. 3.. 政治大標籤類別研究：Marlow, Naaman, Boyd, and Davis (2006)針對 Flickr 網站上的標立. ‧ 國. 學. 籤進行分析與分類，歸納出 Flickr 上的標籤具有內容型態、內容來源、資源連結和社會連結等概念。Smith (2008)將 Golder 與 Marlow 等學者的研究結合，. ‧. 歸納出七種型態，分別為：「描述」、「資源」、「作者/來源」、「意見」、「自我參. sit. y. Nat. 考」、「任務編排」、「戲耍與表現」。近年來還有吳筱玫、周芷伊 (民 98)針對. io. al. er. Flickr 的相片標籤做更細部的歸類：「人事地物」、「對主體或背景事物的描述」、. n. 「相機資訊」、「社群」、「相片集」、「個人分類」、「評價」、「感受」與「聯想」等。. Ch. engchi. i n U. v. Flickr 網站讓使用者在上傳相片時幫相片加註標籤，使用者可以為每張相片以主角、拍攝地點、心情、場合等等貼上「標籤」，而上網搜尋相片的人，就可以依標籤(Tags) 來瀏覽相片，透過標籤又可以發現同好或使用者感興趣的圖片，另外 Flickr 還透過叢集 (clusters)進一步細緻化標籤，幫助使用者更快的找到需要的資訊。. 18.

(31) 2.4 情緒理論分析 2.4.1 情緒的定義. 情緒如同人類的其他慾望，如影隨形的為我們生命的一部份。人類因有高底起伏的情緒變化，因而豐富了生命的色彩，使生活不至於日復一日的在單調旋律中循環。著名的心理學家 Schachter 於 1958 年將情緒(emotion)定義為：(一)內在性的情感狀態，常伴. 政治大作用的結果。Clark 於 1982 年則認為情緒有別於情感，相對於情感而言，情緒比較強烈，立以行為解釋。(二)外顯性的行為類型，此雖為環境因素所引發，但卻是生理與心理交互. ‧ 國. 學. 也比較容易被注意，並且和特定行為結合時，較會受到特定標的物的引導。Gardner (1985) 將情緒描述為一種個人屬性的表現，是主觀知覺的情感狀態。Batra and Stayman (1990). ‧. 則認為情緒是一種影響個體選擇及搜尋情境訊息的主觀情感。而國內心理學家張春興. er. io. sit. y. Nat. (民 81)則表示，情緒是指個體受到某種刺激所產生的一種身心激動狀態。. al. 到目前為止，並沒有一個清楚而明確的定義來說明什麼叫做情緒，基本上情緒是指. n. v i n Ch 個人由刺激所引發的主觀情感。我們通常會將這種情緒描述為愉快的或不愉快的、溫和 engchi U 的或強烈的、短暫的或持久的，同時會增強或阻礙我們的行為。情緒也被描述為是人類有機體的一種複雜狀態，包含了各種感覺，如悲傷、喜悅、害怕、憤怒、恐懼，並且包括了各種身體變化，以及做出各種行為的衝動。情緒也是複雜的主觀和客觀因素之間相互作用的結果，其整體作用程序是對個人先引起感情經驗，再產生與情感有關的知覺作用，最後導致行為現象(游恆山編譯，民 82)。張春興 (民 82)提出情緒包含了四個要點：. 1.. 情緒是刺激所引起的. 2.. 情緒是主觀的意識狀態 19.

(32) 3.. 情緒是具有動機的. 4.. 情緒是表現於個體生理上與行為上的變化。. 綜合上述而言，人類受到訊息的刺激而產生的身心激動狀態，即是所謂的情緒。. 2.4.2 情緒的類型. 治政許多學者嘗試用簡單的維度及模型來解釋與提出含括人類所有可能之情緒種類，以大立下為本研究彙整出最常被引用的情緒類型： ‧ 國. 學. Mehrabian 及 Russell (1974)提出情緒三構面. ‧. 1.. y. Nat. io. sit. 情緒的三構面為「愉快的(pleasure)」、「喚起的(arousal)」、「支配性的(dominance)」，. n. al. er. 再以「愉快的－不愉快的」和「喚起的－安靜的」為座標的兩個主軸，將情緒分為四個. Ch. i n U. v. 區域；其中「愉快的－喚起的」構面有快樂、歡欣、愉悅、興奮、驚喜，「愉快的－安. engchi. 靜的」構面有放鬆、恬靜、安寧、滿意、同意、沉著，「不愉快的－喚起的」構面有憤怒、悲痛、恐懼、緊張、挫折、惱怒，「不愉快的－安靜的」構面有無聊、黯然、憂鬱、悲哀、憔悴、悽慘。. 20.

(33) 喚起的 (arousal) 悲傷 (Distress). 振奮 (Elation) 愉快的 (pleasant). 不愉快的 (unpleasant) 平靜政治 (Calmness) 大. 無聊 (Boredom). 立. ‧ 國. 學. 安靜的 (quietness). sit. y. Nat. n. al. er. Izard (1977)提出差別情緒理論中的十種基本情緒. io. 2.. ‧. 圖 2-1 Russell 的情感構面架構 (The Affect Circumplex) 資料來源：Russell, James A. (1980). Ch. engchi. i n U. v. Izard 的十種基本情緒區分為正面情緒：高興的(interest)、快樂的(joy)；中性情緒：驚訝的(surprise)；和負面情緒：生氣的(anger)、厭惡的(disgust)、鄙視的(contempt)、罪惡的(guilt)、害羞的(shame)、害怕(fear)、悲傷的(sadness)。. 3.. Plutchik (1980)提出八種情緒分類. Plutchik 是一位支持情緒天生的心理學家，他於 1980 年主張情緒有多重的維度，包括強度、相似性及兩極性，其主張共有八個基本的天生情緒，經由兩兩配對形成四組，分別為歡樂－哀傷、恐懼－憤怒、驚奇－預期、接納－厭惡；他認為情緒皆能表現出不 21.

(34) 同的強度(如：從憂心到苦惱)，任何情緒與其他情緒的相似程度各有不同(如：快樂與期待比厭惡與驚奇更為相似)，且所有的情緒都是兩極性的(如：憎恨與接受是對立的)。根據以上 Plutchik 提出倒錐體狀之情緒立體模式圖來解釋此三個維度。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. v. 圖 2-2 Plutchik 之情緒立體模式圖(資料來源：游恆山譯，1993). 4.. Ch. engchi. i n U. Russell and Pratt (1980)主張兩個維度之情緒結構模式. Russell and Pratt 主張解釋環境情感的各種特性只需要兩個互相獨立的維度，即「喚起的」與「歡愉的」就可以涵蓋所有情感的描述，被環境所誘發的各種情緒皆可於此一環狀體圓周上某一點找到 (如圖 2-3)。另外 Russell 等學者於 1981 年時甚至發現情感之「支配性的」維度在解釋人們對基礎評估時不如「喚起的」及「歡愉的」兩個維度重要，故主張解釋環境情感之各種特性及數量只需「喚起的」及「歡愉的」兩維度即可，而「支配性的」維度是無效的，應只是屬於認知上的維度，因此提出兩個維度之情緒結構模式， 22.

(35) 這也是目前最常被使用的。. 立. 政治大. ‧. ‧ 國. 學. io. sit. y. Nat. n. al. er. 圖 2-3 Russell 之情緒環狀體模式圖（資料來源：Russell & Pratt，1980）. Ch. engchi. 23. i n U. v.

(36) 第三章研究方法. 本章節第一部分以流程圖說明研究過程中每個步驟的順序及分析方法間的關係結構，第二部份敘述訂定 41 個商務活動頻繁城市為本研究範圍的依據準則，第三部. 政治大. 分詳細說明尋找每個城市各情感象限的顯著標籤之方法及步驟，及如何以社會網絡分析. 立. 工具 NodeXL 針對蒐集到的顯著標籤資料進行剖析及研究。. ‧. ‧ 國. 學. 3.1 研究架構. y. Nat. io. sit. 為訂定本研究的研究範圍涵蓋城市，首先以 JAVA 程式語言撰寫 Client 端程式，經. n. al. er. 由呼叫 Flickr 網站提供的 flickr.places.getTopPlacesList API 介面，取得 Flickr 網站上傳相. Ch. i n U. v. 片數量最多的前一百個城市名稱，並結合 Derudder and Taylor 兩位學者於 2005 年在”The. engchi. cliquishness of world cities”的研究報告中，透過跨國性服務企業於世界各城市設置部門的關係網路，將世界城市做群組化(cliquishness)的分析研究。綜合參考上述兩項研究數據，訂定出 41 個上傳相片數量最多且商務活動頻繁城市為本研究的研究範圍。. 本研究以 Flickr 網站上的相片及上傳者加註於相片上的標籤為資料來源，撰寫 Client 端程式並以 41 個研究範圍內的「城市名稱」及 24 個與情感相關的「情緒字詞」為索引關鍵值，相互逐一搭配作為 Client 端程式的輸入參數，經由呼叫 Flickr 網站提供的 flickr.photos.search 及 flickr.photos.getInfo 兩個 API 介面，取得該網站上從 2004 年至 2012. 24.

(37) 年與「城市名稱」及「情緒字詞」有關的全部相片及標籤，再運用. Porter's Stemming. 演算法處理蒐集到的標籤及統計各標籤數量後，找出每個城市各情感象限標籤數量最多的前一百個標籤當作「候選顯著標籤(Candidate Significant Tag)」，然後詳細檢視這些候選顯著標籤並建立「雜訊標籤字典(Noise Tags Dictionary)」和「同義詞標籤字典(Synonyms Tags Dictionary)」，再以字典為參考依據將候選顯著標籤做「去除」和「合併」的整合程序，最後定義出每個城市各情感象限的「顯著標籤(Significant Tag)」，最後使用社會網絡分析工具 NodeXL 計算及觀察顯著標籤的社會網絡關係及特性。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 25. i n U. v.

(38) 訂定研究涵蓋範圍. 搜尋各城市有「情緒字詞」標籤的相片. 刪除標籤出現兩個城市 (含)名稱以上之相片. 文獻： The cliquishness of world cities. ‧ 國. ‧. n. al. y. sit er. io. photos.getInfo. 儲存. 篩選各城市的「候選顯著標籤」. Nat. photos.search. 以 Porter's Stemming 演算法規則處理蒐集到的標籤. 學. getTopPlacesList. 立. 政治大. i n U. 建立「雜訊標籤字典」. Ch. engchi. 建立「同義詞標籤字典」. 定義每個城市各情感象限「顯著標籤」. 圖 3-1 研究方法流程圖 26. v. 讀取. 利用 NodeXL 社會網絡分析工具觀察特性.

(39) 3.2 研究範圍訂定. Flickr 網站為一全球性上傳相片分享資訊平台，每個人都可以在其官網上申請帳號後，將相片上傳至該網站上，因上傳相片為免費性的服務，自然就吸引了世界各城市的人們在此平台上分享彼此的相片及心情。本研究首先透過 Flickr 網站提供的 API 程式，. 政治大學者於 2005 年在 John Wiley & Sons, Inc.出版期刊提出的「The cliquishness of world cities」立取得該網站上傳相片數量最多的前一百個城市為基礎，再參考 Derudder and Taylor 兩位. ‧ 國. 學. 研究報告，訂定出本研究的研究範圍 41 個上傳相片數量最多且商務活動頻繁之城市。詳細過程說明如下：. ‧. n. al. er. io. sit. y. Nat. 3.2.1 尋找 Flickr 網站上傳相片數量最多的前一百個城市. i n U. v. Flickr 網站提供各式各樣的 API 介面，讓使用者可以透過撰寫 Client 端程式的方法. Ch. engchi. 來操作相片的上傳、查詢、修改及下標籤等行為，其中網站上提供的 flickr.places.getTopPlacesList API 介面(圖 3-2)，可以取得每日上傳相片數量最多的前一百個地點，本研究以 JAVA 程式語言撰寫 Client 程式呼叫此 API 介面，呼叫時有設定兩個參數，第一個參數是「place_type_id」，因此次研究是以世界的城市為研究單位，所以需將此參數設定為「7：locality」；第二個參數是「date」，Flickr 網站從 2004 年開放服務至今，每日世界上各城市皆有上傳相片的行為發生，故此參數本研究是從 2004/01/01 至 2012/12/31 逐日設定；以這兩個參數設定值呼叫此 API 介面，取得回傳的 XML 訊息如圖 3-3，資訊內容有該查詢日期上傳相片數量最多的前一百個城市的 woeid(Where on Earth Identifier)、woe_name(城市名稱)、photo_count(上傳相片數)等資料，本研究共計取 27.

(40) 得九年的查詢資料合計 302,362 筆，並將這些資料儲存於 MySQL 資料庫，最後統計各城市的總上傳相片數量，取數量最多的前一百個城市當候選研究範圍城市(表 3-1)。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 3-2 Flickr 網站 flickr.places.getTopPlacesList API 說明文件. 28.

(41) 政治大. 圖 3-3 Flickr 網站 flickr.places.getTopPlacesList API 回傳 XML 訊息. 立. ‧ 國. 城市名稱. 相片數量. 城市名稱. 相片數量. 城市名稱. New York. 4004439. Portland. 385687. Florence. San Francisco. 2209380. Atlanta. 380928. Seoul. Paris. 2039144. Edinburgh. 378851. Minneapolis. Chicago. 1391368. Montreal. 363530. Hamburg. Los Angeles. 1306761. Tokyo. 1277551. Milan. Washington. 1254803. Prague. Seattle. 1151762. Philadelphia. 325138. Taipei City. 1064807. Dublin. Barcelona. 1014672. Berlin. 城市名稱. 相片數量. 196790. Hong Kong. 101134. 190422. Birmingham. 98031. 179635. Oakland. 95480. 179371. Brighton. 92365. 175857. Miami. 92242. 173888. Cologne. 90193. 158685. St. Louis. 89775. 156490. Milwaukee. 89621. Bay Lake. 145116. Cleveland. 89463. 321713. Ottawa. 142834. Bristol. 89180. Beijing. 320292. Dallas. 142658. Seville. 85839. 1002556. Bangkok. 270029. Mexico City. 142382. Valenza. 82303. Sydney. 901816. Istanbul. 267749. Helsinki. 139295. Liverpool. 77836. Toronto. 852916. Shanghai. 254329. Moscow. 137431. Kuala Lumpur. 76970. Madrid. 630787. New Orleans. 251212. Glasgow. 134032. Taichung City. 76184. Rome. 627940. Munich. 237117. Honolulu. 133230. Detroit. 75225. San Diego. 586884. Rio de Janeiro. 236208. San Jose. 131986. Siem Reap. 75054. Vancouver. 580724. Chatan-cho. 220805. Vatican City. 126383. Frankfurt. 73928. Amsterdam. 524747. Bruxelles. 217645. Pittsburgh. 119632. Perth. 73161. io. al. y. Kyoto-shi. sit. 415172. v i 353992 Copenhagen n Ch i U e n325954 Baltimore gch. Stockholm. n. er. Vienna. 相片數量. ‧. 4574175. Nat. London. 學. 表 3-1 上傳相片數量最多的前一百個候選研究範圍城市. 361343. 29. Manchester.

(42) Boston. 521825. Houston. 213391. Denver. 118187. Columbus. 72893. Las Vegas. 502770. Singapore. 212481. Kaohsiung City. 112502. Zurich. 72430. Melbourne. 481738. Orlando. 206958. Rotterdam. 110824. Cambridge. 64078. Sao Paulo. 464298. Anaheim. 204875. Brisbane. 110051. Salt Lake City. 63753. Austin. 434720. Indianapolis. 200964. Nashville. 109091. San Antonio. 63019. Venice. 422321. Budapest. 199290. Oslo. 104516. Calgary. 60012. 3.2.2 「The cliquishness of world cities」的世界網路城市分群資訊. 政治大此篇研究為 Derudder and Taylor 兩位學者於 2005 年在 John Wiley & Sons, Inc.出版立. 期刊提出的研究報告，此研究挑選了一百個跨國性服務企業，以商業行為模式來區分共. ‧ 國. 學. 計有十八個會計企業、十五個廣告公司、二十三個銀行金融業、十一個保險服務業、十. y. Nat. 為：. ‧. 六個法律顧問公司和十七個管理諮詢公司；而該研究中定義「跨國性服務企業」的特徵. . 分布的城市至少有一個位於北美洲或西歐或亞太地區. er. n. al. sit. 需有十五個以上的辦事處分布於不同的城市. io. . Ch. engchi. i n U. v. 透過這一百個企業於世界各城市設置辦事處的關係網路，計算每個城市的 GNC(global network connectivity)數值，其計算的步驟如下：. 1.. 以這些企業設置辦事處規模大小為依據，為每個城市評定 0 到 5 等級的服務分數𝑣𝑎 ，評定規則為. . 5：企業的總公司. . 4：具有重要決策權限的海外辦事處 30.

(43) 2.. . 3：超大型辦事處. . 2：一般辦事處. . 1：簡易辦事處. . 0：未設置辦事處. 將 𝑗 公司於城市 𝑎 與城市 𝑏 的服務等級相乘，以 𝑟𝑎𝑏,𝑗 表示 𝑟𝑎𝑏,𝑗 = 𝑣𝑎𝑗 ∙ 𝑣𝑏𝑗. 3.. 立. 政治大. 將所有公司於城市 𝑎 與城市 𝑏 的服務等級相乘之數值相加總，此數值呈現兩個. ‧ 國. 𝑟𝑎𝑏 = ∑ 𝑟𝑎𝑏,𝑗. ‧. 𝑗. y. Nat. 將每個城市與其他城市的連結關係 𝑟𝑎𝑏 相加總，以此數值定義為該城市的連結. io. sit. 4.. 學. 城市之間的連結關係強度，以 𝑟𝑎𝑏 表示. n. al. er. 關係強度，以 𝐺𝑁𝐶 (𝐺𝑙𝑜𝑏𝑎𝑙 𝑛𝑒𝑡𝑤𝑜𝑟𝑘 𝑐𝑜𝑛𝑛𝑒𝑐𝑡𝑖𝑣𝑖𝑡𝑦)表示. Ch. i n U. 𝐺𝑁𝐶𝑎 = ∑ 𝑟𝑎𝑖 , 𝑎 ≠ 𝑖. e n g𝑖 c h i. v. 此篇研究報告以各城市的 GNC 數值為依據，描繪出城市間商業活動強度的社會網絡關係如圖 3-4，由圖上可以觀察到商務商業活動強度最強的城市有倫敦(London)、紐約(New York)、香港(Hong Kong)、巴黎(Pairs)、東京(Tokyo)、新加坡(Singapore)等；同時也整理出 GNC 數值最大的前五十個城市(表 3-2)。. 31.

(44) 立. 政治大. ‧. ‧ 國. 學. Nat. sit. y. 圖 3-4 透過各城市的 GNC 數值呈現出的社會網絡關係圖. n. al. er. io. (資料來源：The cliquishness of world cities 研究報告). Ch. engchi. 32. i n U. v.

(45) 表 3-2 以 GNC 排序前 50 個的城市名單. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. (資料來源：The cliquishness of world cities 研究報告). 33.

(46) 3.2.3 研究範圍的訂定與世界分布情形. 將前兩項研究數值整合為圖 3-5 Flickr Top100 城市相片數量與 GNC 分布圖，從一百個上傳相片數量最多的候選研究範圍城市中，參考城市商務活動強度指標 GNC 數值，篩選出 41 個上傳相片數量最多且商務活動頻繁城市為本研究範圍(表 1-1)；為清楚了解研究範圍涵蓋世界的情形，結合 Google Maps 地圖將這 41 個研究範圍內的城市呈現於. 治政地圖上(圖 3-6)，有發現到非洲並未在本次研究涵蓋範圍內，究其原因為非洲屬五大洲較大立落後的地區，其商務商業活動強度也比較弱的緣故。 ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 3-5 Flickr Top100 城市相片數量與 GNC 分布圖. 34.

(47) 立. 政治大. ‧ 國. 學 er. io. sit. y. Nat. 3.3 研究流程. ‧. 圖 3-6 41 個研究範圍城市的世界分布情形圖. al. n. v i n Ch 本章節說明取得研究範圍內城市各情感象限顯著標籤的方法，各步驟的設計原理概 engchi U 要如下：. 3.3.1 搜尋研究範圍內各城市有「情緒字詞」標籤的相片. 針對尋找有被上傳者註記特定標籤相片的搜尋功能，Flickr 網站提供 flickr.photos.search API 介面(圖 3-7)，搜尋者可使用特定的文字標籤如：「london」、「taipei」、「happy」等，當做查詢的索引關鍵值呼叫此 API 介面，即可取得 Flickr 網站上有被上傳者加註查詢索引文字標籤的相關「相片編號」；另外對於已上傳至該網站上的相片， 35.