社群網路上的城市情感聚合表現與觀察 - 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 ‧. 社群網路上的城市情感聚合表現與觀察. sit. y. Nat. Observation about World Cities’ Emotions. n. er. io. with Online Social Communities al v i n Ch engchi U 研究生：張伸吉指導教授：劉吉軒. 中華民國一百零三年一月 January. 2014.

(2) 社群網路上的城市情感聚合表現與觀察 Observation about World Cities’ Emotions with Online Social Communities. 生：張伸吉. 指導教授：劉吉軒. 立. 政治大. 立政治大學資訊科學系碩士論文. ‧. ‧ 國. Advisors : Jyi-Shane Liu. 學. 國. Student : Shen-Chi Chang. Nat. y. 究. A Thesis. sit. 研. er. io. Submitted to Department of Computer Science. n. al National Chengchi University iv. n U In partial fulfillment e n gofcthe h iRequirements. Ch. for the Degree of Master in Computer Science. 中華民國一百零三年一月 January 2014.

(3) 誌謝辭. 本篇論文的完成，首先要感謝我的指導教授劉吉軒老師，讓原來只是一個空泛的發想，能慢慢的凝聚成一篇研究，雖然不確定本篇論文能否為研究後進留下些什麼，但是在劉老師循序漸進的指導過程中，個人真的覺得在這個過程中學到很多。老師總是不厭其煩的提醒作研究的嚴謹，對於我在漫長過程一再重複出現的大小錯誤也不忍苛責，在我蠟燭兩頭燒的求學生涯中，付出了最大程度的寬容與體諒，這是我在繁重的工作之餘還能繼續完成學業最大的支持。. 政治大於本篇論文提出的的建議與指導，讓這份成績單能更臻完美。在此也要感謝政大立資科與系上教授們提供的美好學習經驗，讓我在論文開始之前已獲得相當的訓練論文的完成可說是本階段求學的成績單，感謝廖文宏教授以及王正豪教授對. ‧. ‧ 國. 學. 以及養分。. 接著要感謝博班的格致學長以及碩班的聲揚學長對於本篇研究提供的指導. sit. y. Nat. 以及協助，一次次的 meeting 真的讓我獲益匪淺。還有我的好夥伴成發與期鈞，. io. 有了更多的想法以及信心，才能順利的完成此研究。. n. al. Ch. engchi. er. 在研究陷入瓶頸時總是不吝提供了各種可能性的激盪，讓我對於本篇研究的走向. i n U. v. 不能不提的還有我公司的諸位長官以及工作夥伴。從我入學考試就幫我寫推薦函的薛紀建博士，到我開始學業時常常因分身乏術以至於無法做好分內工作，帶給同事們的麻煩以及長官的體恤，我真的是點滴在心頭，由於受到連累的人數實在族繁不及備載，請原諒小弟無法在此一一表列。. 最後要感謝我的家人們給予我的支持與鼓勵，尤其是我的雙親。我知道你們期待一個兒子的學位許久，在此僅將我的小小研究成果獻給我最敬愛的父母。. 張伸吉謹致 2014. 01. 15.

(4) 社群網路上的城市情感聚合表現與觀察. 摘要隨著社群網站的大量崛起，人們在網路上的行為從早期的單方面獲得資訊，慢慢轉變到與他人的網頁互動，以至於到最近的發展成社群（Community）關係。網路使用者對虛擬社群的好奇，導致了相關社群網站的蓬勃發展。近年來對於社群網路的研究日漸興盛，各個研究領域都分別以其擅長的角度嘗試切入，想了解為何社群網路如此快速的崛起、社群網路形成的各種架構或是社群網路上的大量資料呈現的資訊以及其分析等等。. 政治大社群網站滿足了人們期待與其他人產生互動、情感維繫以及得到更多資訊的立. ‧ 國. 學. 需要，提供了一個虛擬空間，讓關心相同主題的使用者群聚在一起並且分享資訊。無論是想與他人互動，或是情感維繫以及渴望得到資訊，這些動機皆與人的情感. 路。. ‧. 表現息息相關，本研究即是採用情感的角度，來觀察社群中的特定行動者與其網. sit. y. Nat. er. io. 有關世界城市網路的研究目前並不多見，本研究嘗試以城市為社會網路中的. al. v i n Ch 可忠實呈現拍攝者與被拍攝者情感的特性，以「城市」與「情感」兩大基礎來觀 engchi U n. 行動者角色，研究一個由網路相片分享構築成的特殊社群網站 Flickr。利用相片. 察此社群，嘗試構築出一個有關世界城市情感面向的網路關係。根據本研究目的，我們將建立「城市－情感共現網路」，來發掘世界主要城市之間隱含的連結與關係，或是其隱藏的情感表現。. 關鍵詞：城市、情緒、情感、社群網站、標籤、顯著標籤、影像與情緒。. I.

(5) Observation about World Cities’ Emotions with Online Social Communities. Abstract Along with considerable growth of social network websites, people’s actions on internet changed slowly from acquiring information to exchanging information and interacting with other people via web pages, and eventually this change has created a. 政治大. so-called “community relationship” on line. This blossom of relevant social network. 立. websites resulted from internet users’ curiosity about the invented virtual community.. ‧ 國. 學. Numerous researchers in each relevant field have donated themselves into analysis. ‧. and researches aiming to understand the reasons why all kinds of community websites have been created so quickly, how these communities have been structured, how the. y. Nat. n. al. er. io. sit. information and data underlying these websites have been presented and analyzed.. Ch. i n U. v. The goal of this paper is to dig out links and relations between big cities. engchi. worldwide and human emotions in these cities via community websites. We tried to analyze a unique community website “Flickr” that functions on the base of uploading pictures only. We categorized the pictures on Flickr on two pillar axes, “Region” and “Emotion”, as the emotions of photo shooters and personages have been detailed and recorded by these pictures. By the above categories, We drew a map of emotions in cities that will reveal a 2-mode network of emotions and cities.. Keyword：City, Emotion, Social Community, Tags, Significant Tags, Images and Emotions II.

(6) 目錄第一章緒論 ............................................................................................................ - 1 1.1 研究動機..................................................................................................... - 1 1.2 社群網路與城市......................................................................................... - 2 1.2 社群網路與情緒......................................................................................... - 3 1.4 研究目的..................................................................................................... - 4 1.5 研究方法..................................................................................................... - 4 1.6 研究貢獻..................................................................................................... - 5 第二章文獻探討 .................................................................................................... - 7 2.1 虛擬社群..................................................................................................... - 7 2.1.1 虛擬社群的類別.............................................................................. - 8 2.1.2 虛擬社群的需求............................................................................ - 11 2.2 情緒.......................................................................................................... - 12 -. 立. 政治大. ‧. ‧ 國. 學. 2.2.1 情緒的分類.................................................................................... - 13 2.2.2 情緒的喚起.................................................................................... - 16 2.3 社會網路與圖形結構.............................................................................. - 18 2.3.1 圖形結構與相鄰矩陣.................................................................... - 18 2.3.2 共現網路與矩陣............................................................................ - 19 2.4 中心性與塊模型分析.............................................................................. - 20 -. y. Nat. sit. 2.4.1 中心性量化分析............................................................................ - 21 -. er. io. 2.4.2 塊模型分析.................................................................................... - 21 -. al. v i n Ch 3.1 研究架構.................................................................................................. - 24 engchi U 3.2 研究對象與範圍選定.............................................................................. - 26 n. 第三章研究方法 .................................................................................................. - 24 -. 3.2.1 為何是 Flickr？ ............................................................................ - 26 3.2.2 城市標籤的挑選............................................................................ - 28 3.2.3 情緒標籤的選取............................................................................ - 32 3.3 顯著標籤的產生....................................................................................... - 34 3.3.1 目標照片集與標籤資訊............................................................... - 35 3.3.2 標籤資訊的處理............................................................................ - 37 3.3.3 四象限的顯著標籤候補................................................................ - 40 3.4 共現網路的建立....................................................................................... - 42 3.4.1 標籤共現的定義............................................................................ - 43 3.4.2 共現矩陣的建立........................................................................... - 44 3.5 塊模型（Block Modeling）分析............................................................ - 44 第四章實驗過程與結果分析 .............................................................................. - 46 III.

(7) 4.1「城市－情感顯著」的二維模型資料.................................................... - 46 4.1.1 顯著標籤共現維度的資料............................................................ - 47 4.1.2 矩陣資料的轉換............................................................................ - 49 4.2 矩陣的中心性分析................................................................................... - 52 4.2.1 二維矩陣的中心性分析（第一象限）........................................ - 52 4.2.2 二維矩陣的中心性分析（第三象限）........................................ - 54 4.2.3 二維矩陣的中心性分析（第二、四象限）................................ - 55 4.2.4 中心性分析小結與 GNC 的比較................................................. - 56 4.3 塊模型分析操作....................................................................................... - 58 4.3.1 第一象限塊模型............................................................................ - 58 4.3.2 第二象限塊模型............................................................................ - 62 4.3.3 第三象限塊模型............................................................................ - 63 4.3.4 第四象限塊模型............................................................................ - 65 4.3.5 塊模型分析小結............................................................................ - 66 4.4 總結.......................................................................................................... - 67 -. 立. 政治大. 第五章結論與未來方向 ...................................................................................... - 69 -. ‧ 國. 學. 5.1 結論........................................................................................................... - 69 5.2 未來研究建議........................................................................................... - 70 -. ‧. 參考文獻 ................................................................................................................ - 72 -. sit. y. Nat. al. er. io. 附錄 A：城市－情緒顯著標籤網路關係圖（第二象限，C=300） ................ - 72 -. v. n. 附錄 B：城市－情緒顯著標籤網路關係圖（第三象限，C=300）................. - 77 -. Ch. engchi. i n U. 附錄 C：城市－情緒顯著標籤網路關係圖（第四象限，C=300） ................ - 78 附錄 D：Core-Periphery Block Modeling（第二象限，C=300，核心）...... - 78 附錄 E：Core-Periphery Block Modeling（第二象限，C=300，邊緣） ...... - 79 附錄 F：Core-Periphery Block Modeling（第三象限，C=300，核心） ...... - 80 附錄 G：Core-Periphery Block Modeling（第三象限，C=300，邊緣） ..... - 80 附錄 H：Core-Periphery Block Modeling（第四象限，C=300，核心） ..... - 81 附錄 I：Core-Periphery Block Modeling（第四象限，C=300，邊緣） ....... - 81 -. IV.

(8) 圖目錄. 圖 2. 1：Russel 的 8 種情緒角度概念 ............................................................... - 15 圖 2. 2：Russel 的 28 種情緒字詞分布 ............................................................. - 15 圖 2. 3：視覺喚起的悲傷 .................................................................................... - 17 圖 2. 4：圖形與相鄰矩陣 .................................................................................... - 19 圖 2. 5：圖形與相鄰串列 .................................................................................... - 19 圖 2. 6：理想圖像示意圖 .................................................................................... - 23 -. 政治大圖 3. 2：城市-情感共現網路與其分析示意圖 ................................................... - 26 立圖 3. 1：城市顯著標籤產生流程 ........................................................................ - 25 -. ‧ 國. 學. 圖 3. 3：兩大網路相片社群 ................................................................................ - 27 圖 3. 4：Flickr 的代表性情緒標籤 ..................................................................... - 34 -. ‧. 圖 3. 5：顯著標籤的處理程序示意圖 ................................................................ - 35 -. sit. y. Nat. 圖 4. 1：Sao Paulo 顯著標籤長尾圖（第一象限） .......................................... - 47 -. al. er. io. 圖 4. 2：部分的原始資料矩陣（第一象限） .................................................. - 50 -. v. n. 圖 4. 3：部分的二元關係矩陣（第一象限，C=500） ..................................... - 51 -. Ch. engchi. i n U. 圖 4. 4：城市－情緒顯著標籤的 2-mode 網路關係圖（第一象限，C=500）..- 53 -. V.

(9) 表目錄. 表 2. 1：Philip Shaver 的 6 種基礎情緒 ............................................................ - 13 表 2. 2：Power 與 Dalgleish 的 5 類情緒 ............................................................ - 14 表 2. 3：Lazarus 情緒分類架構 .......................................................................... - 14 表 3. 1：Flickr API methods ............................................................................... - 27 表 3. 2：Flickr 照片數量的前 100 城市排名 ..................................................... - 29 表 3. 3：世界網路連結指標（GNC）的 Top 50 Cities .................................... - 31 -. 政治大. 表 3. 4：社群網路/經濟網路活躍的 41 Cities.................................................... - 32 -. 立. 表 3. 5：Flickr 相片的重要資訊 ......................................................................... - 36 -. ‧ 國. 學. 表 3. 6：London 產生的的合併標籤規則 .......................................................... - 40 表 3. 7：New York 的第一象限候選標籤以及其還原....................................... - 41 -. ‧. 表 3. 8：Sao Paulo 的第一象限顯著標籤 .......................................................... - 42 -. y. Nat. sit. 表 3. 9 兩種塊模型分析方式比較（fitness）.................................................... - 45 -. n. al. er. io. 表 4. 1：London、New York、Paris、Taipei 與 Milan 的推薦標籤.............. - 48 -. i n U. v. 表 4. 2：共現維度之標籤資料（第一象限） .................................................... - 48 -. Ch. engchi. 表 4. 3：城市維度的 Top 5 centrality 參數表（第一象限，C=500） ............ - 54 表 4. 4：情感標籤維度的 Top 5 centrality 參數表（第一象限，C=500） .... - 54 表 4. 5：城市維度的 Top 5 centrality 參數表（第三象限，C=300） ............ - 55 表 4. 6：情感標籤維度的 Top 5 centrality 參數表（第三象限，C=300） .... - 55 表 4. 7：城市情緒表現與 GNC 的比較.............................................................. - 57 表 4. 8：Block Modeling 配適度（第一象限，C=500） ................................. - 59 表 4. 9：Block Modeling 子塊密度（第一象限，C=500） ............................. - 59 表 4. 10：Core-Periphery Block Modeling（第一象限，C=500，核心） .... - 61 表 4. 11：Core-Periphery Block Modeling（第一象限，C=500，左下） ..... - 61 VI.

(10) 表 4. 12：Core-Periphery Block Modeling（第一象限，C=500，右上） .... - 61 表 4. 13：Core-Periphery Block Modeling（第一象限，C=500，邊緣） .... - 62 表 4. 14：Block Modeling 配適度（第二象限，C=300） ............................... - 62 表 4. 15：Block Modeling 子塊密度（第二象限，C=300） ........................... - 62 表 4. 16：Block Modeling 配適度（第三象限，C=300） ............................... - 64 表 4. 17：Block Modeling 子塊密度（第三象限，C=300） ........................... - 64 表 4. 18：Block Modeling 配適度（第四象限，C=300） ............................... - 65 表 4. 19：Block Modeling 子塊密度（第四象限，C=300） ........................... - 65 -. 政治大. 表 4. 20：Core-Periphery Block Modeling 四個象限的配適度 ...................... - 66 -. 立. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. VII. i n U. v.

(11) 第一章緒論. 1.1 研究動機. 原本以為「.com 的泡沫化」是一個不可逆的趨勢，NASDAQ 指數從 2000 年達到. 政治大史名詞。但隨著 O'Reilly（2005）提出了 Web 2.0 的概念，本質上仍以 Web 為平台，但立. 5048.62 的歷史高點在短短三年內跌到了 1139 的谷底，網路新貴也早以褪下光環成為歷. ‧ 國. 學. 透過分享與參與的架構互動之後，讓資訊連帶著與使用的平台一起增值。RSS、Blog、 Wiki 等網頁產品的成功，讓 Internet 的趨勢反轉，大量的資金與人才再次被投入此產業。. ‧ sit. y. Nat. 這個趨勢促成了社群網站這個科技巨獸的崛起，並來到了前所未有的高點。. io. er. Facebook 在 2012 年於 NASDAQ 進行首次公開募股的市值高達 1000 億美元，成為歷史. al. 上規模最大的互連網公司。而當初.com 時代殘存下來的巨人如 Google、Yahoo 等入口網. n. v i n Ch 站，也紛紛披上社群網站的外衣進行轉型。Alexa e n g c h i 前U 20 大的世界網站排名，幾乎全數 1. 為社群網站。究竟社群網站為何能如此蓬勃的發展，網站內的成員關係為何？對於此兩命題的好奇，是本研究的出發點。. 社群網站的相關研究，如同雨後春筍般的問世。無論是社群關係、經濟效益或是網路特性…等各種面向，各領域的學者皆投入相當大的心力。本研究亦歸屬其中一類，但研究的對象則選擇較為特殊的相片分享社群 Flickr。由於大多數的攝影家在強調種種技. 1. Top 20 websites 依次為：Google、Facebook、Youtube、Yahoo、Baidu、Wikipedia、QQ、Amazon、Taobao、 Live、Twitter、Linkedin、Sina、Blogspot、Google.co.in、Hao123、163、Weibo、Ebay、Wordpress。 -1-.

(12) 巧之外，都會提及「相片的本質，來自於情感的傳達」，因此啟發了我們對於 Flickr 這個以網路相片分享為主體的社群網站，其資訊的情感面向是否相對突出的想法，於是本研究即嘗試以情感為出發點，對這個網路社群進行觀察與研究。. 1.2 社群網路與城市. 人類的活動領域與生活習慣，城市是最明顯也最常被用來定義的疆界。舉凡人類的多數行為，大致上都會以城市為界線。例如人們在找工作時的通車距離考量，往往以距. 政治大. 離居住地點同一個城市為最佳選擇，甚至是為了遷就工作地點，將居住地遷徙到同一個. 立. 城市的範圍內，其他如求學、購物或是觀光等經濟行為也是一樣的。而且相信大多數的. ‧ 國. 學. 國人都會同意，台北（Taipei City）在全世界的認知度比台灣（Taiwan）來的更高。. ‧. 城市對於定義人類活動的重要性，由此可見一斑。然而 Derudder & Tylor（2005）. y. Nat. io. sit. 認為目前以全球化的角度來看城市間的網路關係研究，卻是相對缺乏的，其理由來自於. n. al. er. 城市資料必須透過大規模（large scale）的調查才可取得，但此類統計資料大多是由城市. Ch. i n U. v. 的所在國家機構因為政策需求才進行收集，而非提供社會網路研究使用，所以其伴隨的. engchi. 政策性目的，將使資料有所扭曲或者不太適用。而若改採更大規模的統計資料（例如聯合國），則單位往往是以國家為界線，而非是城市本身。因此，本研究則嘗試以網路社群的資料為主體，避開上述的實際統計資料，而只針對全球性的單一社群網站資料，以此角度構築全球大城市間的關係。. 而隨著 Twitter、Facebook 與 Line 等已擁有數億使用者的大型虛擬網路社群成形，此類的社群是否仍依循此強有力的規範，社群的成形仍會偏重於城市內？或者是因網路使用者無國界的特性，打破了這樣的範疇？換個角度來看，此類虛擬社群內部仍存在不. -2-.

(13) 同的語言與文化使用者，若我們嘗試以城市的角度來分析這些社群，是否仍然可以觀察到某些群聚或是城市本身的特色，是這個研究本身也想要知道的資訊。. 1.2 社群網路與情緒. 社群網站滿足人有與其他人產生互動、情感維繫以及得到更多資訊的需要，並提供一個虛擬空間，讓關心相同主題的使用者群聚在一起並且分享資訊。無論是渴望與他人互動，或是情感維繫以及好奇想得到資訊，這些動機皆與人的情緒表現息息相關。. 政治大. 立. 情緒被描述為針對心理或外部的重要事件所產生的突發反應，一個主體對同一種事. ‧ 國. 學. 件總是有非常類似的反應。情緒持續的時間很短，產生的情緒包含語言、生理、行為和. ‧. 神經機制互相連動表現的一組反應。人類的情緒來自於生物本能，例如人類在面對毒蛇或是老虎等具有威脅性的野獸而產生恐懼時，會決定轉身逃離。情緒本身含有四個概念. y. Nat. io. sit. （情緒表達，民 85）：. 情緒由刺激引起. . 情緒來自於主觀意識經驗. . 情緒狀態很難自我控制. . 情緒與動機有相互連帶關係. n. al. er. . Ch. engchi. i n U. v. 就人類情緒表達的觀點來看，情緒表達的方式是天生的，但情緒表達的時機則與後天的學習相關；人們不須學習如何表達哭與笑，但卻學到何時可以哭或是何時可以笑。情緒的表達無論是語言或是其他非語言的方式，皆有其表現的共通性。例如「開懷的笑臉」代表正面的情緒，反之「皺眉的苦臉」則代表負面的情緒。此類基本的情緒表現可輕易跨越種族文化的隔閡，成為人類共通的語言。. -3-.

(14) 當人們以影像的形式將情感記錄下來時，無論照片中的人膚色、性別為何，我們都可以輕易分辨出其表達的情緒為正面或是負面。從此類的照片來觀察人類情緒的表達，可說是相當直觀的研究方向。. 1.4 研究目的. 本研究的目的，首先想證實若改以「城市」這種集合的概念為社群網路中的行動者，. 政治大. 是否仍可表現出人類的情感面向。而這些城市藉由不同的情感面向呈現，彼此之間能否. 立. 像人與人一樣的建立起關係。再者，藉由城市、情感、關係等三種元素，我們期待應可. ‧ 國. 學. 構建出「世界城市的情感共現網路圖」，而在不同的情感面向下分別進行觀察時，是否. ‧. 網路的中心節點會有所改變。最後，我們對於此網路架構進行檢測，試圖驗證其情感的展現面向是否夠突出。. n. al. er. io. sit. y. Nat 1.5 研究方法. Ch. engchi. i n U. v. Flickr 是一個專門分享影像記錄的網路社群，從網站上面的龐大照片資料中，我們可以從中擷取出大量照片的的情緒表現。本研究並未直接應用圖形辨識的技術來解析照片，因其仍有辨識率的議題。取而代之的，我們直接擷取與照片上傳時同步產生的資訊如上傳者、上傳地點、文字標籤、照片 EXIF（Exchangeable Image File Format）資訊與社群的互動資料（點閱率、訂閱率）等資訊。. 在日常生活中，我們觀察到許多的話語都含有情緒字詞或帶有情感意圖，而所寫下的文字也同樣具有情感。在生活中，情緒字詞往往都在傳達明顯的情緒表達資訊，譬如 -4-.

(15) 我們在文章中敘述一個主角為了某件事情感到快樂，快樂這個情緒字詞也就間接指出了主角當下的情緒反應是很愉悅的。本研究進行的著眼點，就是照片上傳者對於照片自述標籤使用文字的分析，並基於以下兩點假設：. . 城市與某情感標籤共同出現於照片中，即認定該城市具有該情感的表現。. . 共同出現頻率越高表示城市表現該情感的程度越強烈。. 首先我們利用 Flickr 本身提供的 API，以「情緒字詞」與「城市」為兩種關鍵索引，. 政治大. 查詢出 Flickr 上的所有相關照片（710,511 張）與標籤數（21,569,593 個）。其次，對於. 立. 這麼大數量的標籤，我們進行了詞性轉換、雜訊去除與同義詞合併等相關處理程序後，. ‧ 國. 學. 再依城市與情緒類別進行顯著標籤的推舉，將研究對象聚焦為較顯著的標籤。最後我們定義城市與情感與情感標籤的共現條件後，產出 2-mode 的「城市－情感」關係矩陣，. ‧. 由於此種矩陣資料屬於關係數據（relational data，所以我們採用社會網路分析的中心性. Nat. sit. n. al. er. io 1.6 研究貢獻. y. 分析以及檢視關係群聚性的塊模型分析方法，進行 Flickr 社群的城市情感網路分析。. Ch. engchi. i n U. v. 依照上述的研究動機與目的，參考相關文獻的想法與方式後，我們嘗試設計了本研究的研究方法，並以第三章的研究架構來完成整個研究程序，最後呈現的研究成果摘錄如下：. （一）本研究對 41 個城市進行情感面向的社會網路研究時，發現那些在現實中高度發展的城市在本研究的網路上都處於重要的中心地位，顯示這些城市在現實環境的優勢地位，在虛擬的網路社群上仍然延續著。. -5-.

(16) （二）傳統的城市研究大致都偏向於人口組成與分布、經濟與產業結構、大眾交通系統與土地使用規劃...等實體的應用面。本研究以網路社群的角度，將世界城市視為社會網路的節點並進行了情感面向的探討，對於城市的相關研究者提供了另一種研究視角的可能性。. （三）本研究結果顯示 Flickr 網路社群上的節點為「城市」時，仍然可展現人類特有的情緒表現，證實儘管該社群的建立以「個人」為基礎，但在該社群上的確可以實. 政治大. 現以其他族群為研究對象，從而進行特定族群的社會網路分析研究。. 立. ‧ 國. 學. （四）本研究證實城市在虛擬社群上仍保有情感的表現之外，不同的城市表現出來的情感是會有差異化的，相對於 Los Angeles 與 San Francisco 呈現陽光、正向，Paris. ‧. 就呈現多愁善感的一面；而在情感的表現強度上，亞洲的都市如 Tokyo 與 Hong. Nat. sit. n. al. er. io. 合。. y. Kong 遠遠比不上歐美的同等級城市，也與我們對東方人較為內斂的認知相當符. Ch. engchi. -6-. i n U. v.

(17) 第二章文獻探討. 本章節將就本研究的三個重要元素進行相關的文獻討論。首節探討社群網路的定義、分類以及其所能滿足的需求，對於此種型態的社會關係組成及其原因，做一個概括性的說明。其次以各個角度來闡述情感這個單元，諸如情緒的定義以及分類，再由情感的視覺喚起帶入本研究的網路相片社群 Flickr；本研究對於情感的應用偏重於情緒字詞與標. 政治大不同的標籤字詞組合而成的共現網路。最後則是闡述如何使用圖論、矩陣來循序漸進的立籤，找出該社群的相片資訊與此類情緒詞共現（co-occurrence）的標籤，嘗試呈現這些. ‧ 國. 學. 建立起這個由城市標籤、情緒標籤與其他共現標籤組成的社會網路，並介紹本研究中採用的分析與檢驗的模型。. ‧. n. al. er. io. sit. y. Nat. 2.1 虛擬社群. i n U. v. 相較於社群網路這種概括性的說法，其實以虛擬社群（Virtual Community）的角度. Ch. engchi. 來解釋會更具體。此名詞最早由 Rheingold（1993）定義為：藉由網路媒體讓足夠的人數持續參與、交流、溝通及經營，所產生在網路空間中聯繫群體關係網路的社群聚集體，描述不同的個體們為了追求多樣性的興趣與目標，藉由社群媒體（social media）的互動，組成的一個有相互關係、有邊界的社會網路。這類社群最為明顯也最為人熟知的組成，就是透過網際網路（Internet）組成的線上社群（Online Community）。本研究的研究主體對象 Flickr，就是隸屬於此類。. 後續開始有不少學者提出相關的研究，如 Fernback 與 Thompson（1995）提出虛擬社群的構成，是因為相同的主題興趣，而在網路上的特定環境下持續互動討論的一種社 -7-.

(18) 會關係。Preece（2000）則認為虛擬社群必須有四個要件，包括一群為滿足其需求而進行互動的使用者、擁有共通的興趣與目的、合理規範成員互動的規則，以及支撐這個交流空間的平台系統。此外，Preece（2001）也指出兩個影響虛擬社群能否成功的重要因素－實用性和社交性；影響實用性的重要因子為電子媒介，如何讓使用者順利的利用各種電子媒介來接觸該社群，將直接影響社群的成長；而影響社交性的重要因子則為社群成員、共通目的等等，只要讓社群成員間彼此之間互動頻繁，就能自然而然的形成虛擬社群。. 政治大. 而 Hagel ＆ Armstrong（1997）則把虛擬社群的意義，帶到商業運用的層次，他們. 立. 認為虛擬社群透過各種電子網路平台將人們聚集在一起，並建立互動的基礎，藉以滿足. ‧ 國. 學. 興趣、人際關係、幻想和交易等需求。而且虛擬社群不單單只是一種社會群聚現象，當成員的數量到達一個臨界值時，將可以帶來龐大的商機，因此虛擬社群可以成為具有經. ‧. 營潛力的網路事業。今日看來，這個論點已經從 Facebook 的天價上市金額獲得充分的. n. al. er. io. sit. y. Nat. 證實。. 2.1.1 虛擬社群的類別. Ch. engchi. i n U. v. 虛擬社群的分類由切入角度的不同，出現許多種說法。以領域或是空間的區別的角度來看，Alder & Christopher（1988）提出分為地理區域、職業類別與個人興趣等三大類；而由社群會員彼此之間關係的型態角度來看，Figallo（1998）則以互動程度、集中程度與凝聚程度三個面向來分類，每個面向皆有高、中、低等三種不同程度的形態，大部份虛擬社群都會同時兼具三種面向，只是程度上會有所差異，簡述此三種分類如下：. -8-.

(19) （一）互動程度（interaction）互動程度是以社群成員之間往來互動的頻繁程度來定義該社群的狀態。依會員間互動的程度高低，依次分為 Cafe、Theater 與 Shrine。Cafe 是指該虛擬社群擁有高度互動程度，成員們加入此種社群的主要目的在於和其他成員的互動，社群經營者本身提供的內容相較之下不那麼重要。Theater 為中等互動程度的虛擬社群。網站本身必須提供一定的內容與服務吸引成員，讓成員們樂於瀏覽或是取得資訊的同時，營造與其他成員互動的空間。Shrine 是互動程度最低的虛擬社群，成員本身雖可能擁有共同興趣或目的，卻不熱衷參與互動，社群所提供的資訊內容是吸引成員的主要誘因，而不是社群中的互. 政治大. 動關係，各大學校的圖書論文檢索系統，大概都廣義的屬於此類型。. 立. ‧ 國. 學. （二）集中程度（focus）. 以虛擬社群所提供資訊的品質、特性，或是成員的討論內容是否容易發散到其他不. ‧. 相關領域之程度作為此類型的分類標準，由高至低可分為 Shop、Mall 與 Bazaar。Shop 為. Nat. sit. y. 高度集中程度的型態，是專門提供某一特定主題的線上社群，社群內的成員們對同一主. n. al. er. io. 題彼此分享並且有強烈的共同興趣或是目的，付費制的相親媒合網站顯然可為此類代表。. i n U. v. Mall 為中等程度的型態，除了提供某些特定資訊之外，在這些特定類別下可能存在著. Ch. engchi. 更多的子類別，大部份社群網站多屬於此種類型。而 Bazaar 的集中程度最低，該社群網站本身並無特定的焦點，其存在的功能僅僅只是提供一個交流與互動的平台，無特定主題的線上聊天室或是 Twitter 都屬於此類。. （三）凝聚程度（cohesion）社群中的成員彼此之間關係的緊密狀況，稱為凝聚程度，由高至低可分為 Family、 Associates 與 Loners。Family 為呈現高度凝聚關係的虛擬社群，其社群成員彼此之間關係深厚，擁有牽絆彼此的的向心力，此種型態的社群通常是具有悠久歷史的實體社群，轉換到網路上所形成，吸引成員的誘因主要是社群內的其他成員，而非該社群所提供的 -9-.

(20) 服務與資訊。Associates 為中度凝聚力的社群型態，其組成包括一群緊密的的核心成員，還有其他鬆散的參與此社群的獨立成員。至於 Loners 則為凝聚力最低的社群型態，其成員彼此之間幾乎沒有連結，成員對此社群的忠誠度極低。. Hagel et al.（1997）則從商業的角度建議了兩種社群分類：. （一）消費者性質的社群消費者環境中，社群可能有三個發展方向: 地域型、人口結構型、特定主題型。地. 政治大. 域型社群的成員通常來自現實生活中居住在同一地區的人，他們對生活週遭共通的議題. 立. 和資訊相當有興趣，如 PTT_嘉義板2或是 PTT_桃園板，可視為此種分類下的對比。而. ‧ 國. 學. 人口結構型社群按字面上的意思，就是以人口結構做為分類的方式，像是特定的性別、年齡層或種族等，例如 PTT_男女板、PTT_成人板、PTT_Lesbian 都屬於此類族群。特. ‧. 定主題型社群則以共同興趣為中心，其成員跨越了地域、性別與年齡，例如 PTT_英雄. Nat. sit. n. al. er. io （二）純商業性質的社群. y. 聯盟板、PTT_八卦板、PTT_笑話板等等。. Ch. engchi. i n U. v. 商業性質社群中，又可分為垂直產業整合型、功能型、地域型、企業類別社群。黃莉雯（民 96）認為垂直產業型社群社群成員的背景多來自同一產業，社群提供有關該產業的專業知識，也讓成員有機會和類似背景的社群成員發展人際關係。功能型社群服務的對象是某一種企業功能，像是採購人員或行銷人員。至於地域型社群，出現原因可能是共同參與地方消費展示的廠商群，希望能跟其他商家互相通訊聯繫或討論一些共同話題。企業類別社群則可滿足某一類公司的需求，可以從與同業的互動中獲益，如加盟的企業網站。 2. 批踢踢實業坊是台灣一個網路論壇，簡稱 PTT、批踢踢，以電子佈告欄（BBS）系統架設，提供在網路上快速、即時、平等、免費、開放且自由的言論空間。註冊總人數約一百五十萬人，每日超過兩萬篇新文章及五十萬則推文被發表。 - 10 -.

(21) 2.1.2 虛擬社群的需求. 透過虛擬社群的平台交流或是經營者刻意蒐集的特定資訊與資源，社群的成員可透過網路，不侷限於時間、地點等限制，持續的其他成員進行互動並滿足人際互動的需求，其目的可能是為了資訊的交換，或是純粹為了交際取得認同或是歸屬感。依據 Hagel et al. （1997）的研究，指出了人們在虛擬社群上互動的行為來自下列四項需求：. （一）興趣（Interest）. 政治大. 立. 大多數的人們因為後天的成長環境或是與天俱來的遺傳因子，都會擁有特定的嗜好. ‧ 國. 學. 與興趣，無論是運動類型的路跑、登山、衝浪或是靜態類型的閱讀、電影欣賞、攝影等. ‧. 等，興趣帶來的樂趣往往會因與他人共同參與、經驗交流或是資訊的共享而更形珍貴，虛擬社群提供了一個不受限於空間、時間的平台，讓擁有相同興趣的成員可以輕易的滿. n. al. er. io. sit. y. Nat. 足上述需求。. Ch. （二）人際關係（Relationship）. engchi. i n U. v. 虛擬社群的成員除了資訊與經驗的純粹交換之外，隨著與他人的互動經驗慢慢的渴求人與人之間的互動，成員彼此之間因為共同興趣或目的結合，讓這樣的人際關係發展更是順水推舟。「網友」這個代表性名詞，就是這種人際關係需求滿足的最佳印證。. （三）幻想（Fantasy）人類本身擁有的無限幻想空間，在現實上可能無法體現，但在虛擬世界卻可以輕易的重現，此類的虛擬社群以線上遊戲為代表。從早期的 MUD（multi-user dungeon）只能讓數十人同時進入遊戲的社群，到前一陣子的魔獸世界（WoW）、現在的英雄聯盟（LoL）. - 11 -.

(22) 等大型多人線上遊戲，遊戲社群已經成長到了可以有 800 萬人同時進行互動的幻想空間，而早期 MUD 全部以文字顯示遊戲內容，更是驗證了人類在其中享受的幻想需求。. （四）交易（Transaction）消費者在進行消費行為之前，往往會進行貨比三家的比價行為，只是現今的消費者已經將這樣的需求移轉到線上社群裡。在台灣的人們購買 3C 時，大多數人都會上 Mobile01 搜尋所謂的開箱文，尋找交易進行所需的背書或是資訊，亦或是為了追求議價能力所參與的團體購買社群（團購網），都是虛擬社群對交易行為的一種需求體現。. 立. 政治大. Hagel et al.（1997）認為虛擬社群對這四種需求並不會產生互斥現象，大部分社群. ‧ 國. 學. 都應該去創造滿足這四項需求的空間，只是每個社群重視這些需求的程度不一，有些社群的特點會較偏向於某一種需求的滿足。一個虛擬社群的生命力，就是來自於它可以同. ‧. 時滿足各式成員多種需求的能力。. n. al. er. io. sit. y. Nat. 2.2 情緒. Ch. engchi. i n U. v. Goleman（1995）將情緒定義為感覺、特定的想法、生理狀態、心理狀態和相關的行為傾向。意即情緒的涵蓋範圍廣泛，它包含了自身的內在感受及外在行為。當我們生理上或精神上受到外在的事件刺激時，將會引起我們的心理反應，並轉化為表情與肢體動作的展現。人類在日常生活中無時無刻都在接受刺激，所以情緒的展現與波動也因時因地在改變著。. - 12 -.

(23) 2.2.1 情緒的分類. 近年來情緒除了是心理學的研究主題之外，社會科學的相關研究也常常提到這個議題，對情緒的分類已有相當多的相關見解被提出。 Shaver（1987）透過使用者報告進行了情緒字詞分類，提供 135 個情緒字詞，請實驗者進行分類，並歸納出六種基礎情緒：愛（love）、喜悅（joy）、驚喜（surprise）、憤怒（anger）、悲傷（sadness）、害怕（fear）。其中愛、喜悅與驚喜歸類為正向情緒，. 政治大. 憤怒、傷心、恐懼則歸類為負向情緒，如表 2.1。. 立表 2. 1：Shaver 的 6 種基礎情緒. ‧ 國. 學. 基礎情緒愛（love）、喜悅（joy）、驚喜（surprise）憤怒（anger）、悲傷（sadness）、害怕（fear）. ‧. 情緒類別正向情緒負向情緒. sit. y. Nat. n. al. er. io. Power ＆ Dalgleish（1997）針對情緒的研究，則分做五個類別：悲傷（sadness）、. i n U. v. 快樂（happiness）、憤怒（anger）、恐懼（fear）、討厭（disgust）如表 2.2，分別敘述了這些情緒及情境描述。. Ch. engchi. 表 2. 2：Power 與 Dalgleish 的 5 類情緒情緒類別悲傷（sadness）. 描述 Loss or failure （actual or possible） of valued role or goal.. 快樂（happiness） Successful move towards or completion of a valued role or goal. 憤怒（anger）恐懼（fear）. Blocking or frustration of a role or goal through perceived other agent. Physical or social threat to self or valued role or goal - 13 -.

(24) 討厭（disgust）. Elimination or distancing from person, object, or idea repulsive to the self and to valued roles and goals.. Lazarus（1999）提出的情緒分類架構如表 2.3。他將常見情緒詞分成五大類：不愉快的情緒（nasty emotoin）、存在的情緒（existential emotion）、被不利生存條件挑起的情緒（emotion provoked by unfavorable-life condition）、移情作用的情緒（empathic emotion）與被有利生存條件所引起的情緒（emotion provoked by favorable-life condition），並以憤怒、害怕、悲傷、認同、愛與喜悅為簡單的概括性稱謂。. 政治大. 存在的情緒. 害怕. y. sit. n. al. 悲傷. Ch. 移情作用的情緒. e n g c認同 hi. 被有利生存條件所引起的情緒. 愛與喜悅. er. io. 被不利生存條件挑起的情緒正向情緒用詞. 範例生氣（anger）、羨慕（envy）、嫉妒（jealousy）…。焦慮（anxiety）、惶恐（fright）、內疚（guilt）、羞愧（shame）…。寬心（relief）、希望（hope）、悲傷（sadness）、沮喪（depression）…。感恩（gratitude）、同情（compassion）…。快樂-喜悅（happiness-joy）、榮耀（pride）、愛（love）…。. ‧. 簡稱憤怒. 學. 情緒類別不愉快的情緒. Nat. 負向情緒用詞. ‧ 國. 立表 2. 3：Lazarus 情緒分類架構. i n U. v. 本研究的情緒取向，則是延伸 Russell & Posner 在 1980 與 2005 提出的兩個研究：將八種情緒概念以座標的方式，呈現出八個方向的情緒模型（圖 2.1），這八個定位點的座標，分別為 0°的愉悅（pleasure）、45°的驚喜（excitement）、 90°的醒覺（arousal）、 135°的悲傷（distress）、180°的 displeasure（不愉快）、225°的憂鬱（depression）、270° - 14 -.

(25) 的沉睡（sleepiness）、315°的放鬆（relaxation）。接下來利用上述研究的座標，提供 28 種情緒字詞，進行使用者報告，請受測者主動報告填答置入這個模型之中，並提出情感經驗（affective experience）分類模型（圖 2.2）。. 立. 政治大. ‧. ‧ 國. 學 y. sit. io. n. al. er. Nat. 圖 2. 1：Russel 的 8 種情緒角度概念. Ch. engchi. i n U. v. 圖 2. 2：Russel 的 28 種情緒字詞分布 - 15 -.

(26) 由這些對基礎情緒一系列的研究結果，我們可以發現由於情緒分類是對於情緒狀態的解讀，並不會有共通的標準結論。但無論是使用任何一種語言，不同的人種都可以將情緒文字化，並且進而對情緒字詞做分類。這樣的用意是為了理解與歸納「情感」這種很難以百分只百敘述的表現，藉由化成文字來體現研究的可行性。對本研究目的而言，我們就可以利用這樣的情緒分類，找出各分類中的不同情緒字詞，並且以這些字詞為基礎來尋找每個城市在不同的情緒分類下展現的不同樣貌。. 2.2.2 情緒的喚起. 立. 政治大. ‧ 國. 學. Bolls（2010）認為人類情緒從情緒維度取向的概念化定義為，情緒會從基礎的動機過程中出現，並具有目標、且為時短暫，亦具有二維價性的回應。依此定義，我們可以. ‧. 認定情緒喚起是一種受到外在影響而產生的內在心理活動，這個心理活動將會使人類的. sit. y. Nat. 臉部表情與肢體動作隨之改變，同時也會因為不同的外在刺激而使這種改變的表現隨之. n. al. er. io. 增強或是減弱，甚至是整個反轉。. Ch. engchi. i n U. v. Watson、Clark & Tellegen（1988）則提出了情緒除了有正負向等較為明顯的分界之外，還有表現出來的情緒強弱的差別，而這些分界與差別就是所謂的情緒喚起程度（Arousal）。正負向的分界指的是一個情緒來源帶給人們的感受。當人們為此事件感到開心或是愉悅，即是一種正向的喚起；反之若該事件帶給人們痛苦或是悲傷等等反應，即可視為負向的喚起。而喚起程度則是人們對這個外在事件的感受程度區別，是非常高興或是只有一點點高興，是極端憤怒還是只有一點點不悅。. Hadley & MacKay（2006）則認為情緒喚起是一種接收外界刺激所產生的過程，其情緒來源在情境中的狀況、以及該情緒來源與接收刺激人們過往歷史經驗的相似程度。 - 16 -.

(27) 因此我們可推論，情緒喚起是由外在情境的刺激所引發的反應。. 那麼這些外在的刺激是如何喚起情緒？事實上，情緒喚起描述的是一個過程以及產生的情緒程度，代表的是一個情緒來源事件在一定的時間內對人類造成刺激，而人們在這樣的刺激下產生了某種特定的情緒。而喚起的情緒程度，則與該事件在接受刺激的人們過往經驗有關。下列各種感官知覺為人類用以接受外在事件的媒介： . 視覺：因視覺的影像感受到震驚、高興、悲傷。. . 觸覺：感受到觸摸、親吻、衝擊等肢體碰觸而喚起情緒。. . 味覺：以舌頭的味蕾嘗到食物引發的滿足或是噁心。. . 嗅覺：以鼻子聞到的味道，可能是各種香味、臭味。. . 聽覺：因快節奏音樂引發的亢奮或是噪音引發的煩躁等等。. 立. 政治大. ‧. ‧ 國. 學. 而本研究對於 Flickr 所做的城市情感面向的探討，就是基於此種由視覺喚起的情緒. Nat. sit. y. 反應，擷取由相片上傳者以標籤方式註記上去的情感標籤作為研究的重要資訊。如圖 2.3. n. al. er. io. 所示，透過視覺看到此張影像往往會被喚起悲傷的情緒。. Ch. engchi. i n U. 圖 2. 3：視覺喚起的悲傷 - 17 -. v.

(28) 2.3 社會網路與圖形結構. 社會網路圖形是將個體之間的關聯結構以圖像的方式呈現，由節點與其間的連結所組成。節點可以是任何的個體，而連結則代表著個體與個體之間的關係。余詠南與阮明淑（民 102）認為網路分析的方式依照研究目的及蒐集資料的不同，其網路分析層面與指標亦有所差異。Borgatti（1988）將社會網路分析層次區分為：自我中心網路（ego-centered networks），強調成員之間的關係連結，包含強聯繫、弱聯繫、中心性或. 政治大. 結構洞等分析重點；其次為完整網路（whole networks），強調網路結構中的成員分佈，. 立. 包含網路密度、中心性等分析重點。. ‧ 國. 學 ‧. 2.3.1 圖形結構與相鄰矩陣. sit. y. Nat. io. er. 圖形（Graph）是由兩個非空的有限集合所組成的，V 與 E，以 G = （V, E）表示。. al. 其中 V 是所有節點（Node）的集合，E 是所有邊（Edge）的集合。而圖形有兩種基. n. v i n C h Graph）；一是有方向圖形礎類型，一是無方向圖形（Undirected （Directed Graph）。 engchi U. 無方向圖形簡稱為 Graph，以（v1,v2）表示 Edge。有方向圖形簡稱為 Digraph，以<v1,v2> 表示 Edge（吳建良，民 96）。而圖形的數學表示法有幾種常見的方式，如相鄰矩陣（Adjacency Matrix）（圖 2.4）、相鄰串列（Adjacency Lists）（圖 2.5）、相鄰多元串列（Adjacency Multi lists）與索引表格（Indexed Table）。. - 18 -.

(29) 圖 2. 4：圖形與相鄰矩陣. 1. 立. ‧ y. sit. io. n. al. er. 5. Nat. 4. ‧ 國. 3. 學. 2. 政治大. 圖 2. 5：圖形與相鄰串列. Ch. engchi. i n U. v. 本研究則應用了最基礎的 Graph 結構來建構本研究中所需的共現網路。其「節點」為城市標籤與情緒顯著標籤兩種，而其「邊」定義為為無方向的共現關係。在後續章節中，我們會將資料化成相鄰矩陣的格式來進行後續的分析與實驗。. 2.3.2 共現網路與矩陣. 共現網路是以個體（本研究中為標籤）的共同出現情形為主要的資訊目的，個體是社會網路中的節點，而兩個個體在某一定義下的共同出現事件，則表示為兩個節點之間 - 19 -.

(30) 的連結。因此，共現網路其實是一種特殊的社會網路，其主要應用則為大量資料的分析與資料的挖掘。. Small & Sweeney（1985）利用共同引用（co-citation）並分群（clustering）來分析領域論文的引用（citation）做了整理與回顧，此一概念逐漸擴展到多種共同出現的情形，如文字共現（co-word）、連結共現（co-link），因此類似概念現今用共現（co-occurrence）來包含之。共現網路（co-occurrence network）則是將統計目標物共同出現於同一集合的情形製成圖形網路，通常以目標物為節點而共同出現情形次數為加權的邊長（柯逸凌，民 102）。. 立. 政治大. ‧ 國. 學. 共現矩陣（co-occurrence matrix）為一常用於共現網路的資料儲存與表示方式，每一節點視為一個欄（Column），而與其他節點或性質的連結情形使用該欄的不同列（Row）. ‧. 表示。若為二元關係圖形（Binominal Graph），則連結與否常用 0 與 1 代表，0 代表沒有. Nat. sit. n. al. er. io. 連結強度。. y. 連結而 1 則代表有連結；若為加權關係圖形（Weighted Graph），則以數值的大小來代表. 2.4 中心性與塊模型分析. Ch. engchi. i n U. v. Scott（2000）認為社會科學的數據大致上可分為三種，分別是屬性數據（attribute data）、關係數據（relational data）與觀念數據（ideational data）。本研究的研究數據歸屬於上述第二類資料中的「行動者－事件」2-mode 數據，其建立過程於後續章節將會有詳盡的說明，此類數據雖然也可以使用常規的定量統計方法進行分析，然而使用社會網路的分析方法則更為適合。考量到本研究的預期目標，我們選擇了相當常見的中心性分析以及塊模型分析方式作為本研究的實驗模型。. - 20 -.

(31) 2.4.1 中心性量化分析. 本研究採行的中心性量測（Centrality Measure）可用來判斷節點（Nodes）在圖形中相對重要性與影響力，本研究採用了三種細部指標，依據余詠南與阮明淑（民 102）所做的解釋，分項說明如下：. （一）程度中心性（degree centrality）：. 政治大. 衡量一個人控制範圍大小的指標，程度中心性較高者，代表其在網路中與較多的行. 立. 為者聯繫；而程度中心性若觀察其方向，則又分：內向程度中心性（in-degree），是其他. ‧ 國. 學. 外來個體主動聯繫之數量；外向程度中心性（out-degree），是主動聯繫外來個體之數量。. ‧. 不過因本研究的關係是無方向性的，所以並沒有內向、外向的區別。. y. Nat. io. sit. （二）接近中心性（closeness centrality）：. n. al. er. 衡量一個人與其他人的接近程度，若與他人距離較短，且愈接近中心性，代表較能快速取得資訊。. Ch. engchi. i n U. v. （三）中介中心性（betweenness centrality）：網路中成員間互動，必須透過另一個行為者，才能溝通；中介性指標較高者，有較多機會引導資訊流通。. 2.4.2 塊模型分析. 塊模型最早是由 White, Boorman & Breiger 於 1976 年所提出，它是一種研究網路位 - 21 -.

(32) 置模型的方法，對社會角色進行描述性代數分析，呈現的結果則是網路的總體特點。後續的學者對於塊分析的著墨相當多，例如 Anthony, desJardins & Lombardi（2009）提出一個以塊模型為基礎的目標函數，可以快速的收斂並找出隨機圖形（random graph）的關係。Anthony, desJardins & Biesan（2012）則依循上述結果進行修正，再次提出了可以應用於更大型的社會網路上分群應用的塊模型演算法（BM-OPT）。. 劉軍（民 95）採用了此模型分析了黑龍江省某一村落的勞力支援網路，該研究發現村內的「勞力支援網路」與「親屬關係網路」中，都可以發現四個子群。这個研究驗證. 政治大. 了該村村民之間發生的互助行為的總體模式。. 立. ‧ 國. 學. Everett & Borgatti（1999）的研究提出可以將網路中心理論（Network Centrality Measurement）對「個體」的研究，像是 degree、closeness 或是 betweenness…等參數，. ‧. 延伸應用在「族群」上，並於同年提出 core-periphery 架構的模型，對於有向或無向甚. Nat. sit. y. 至是加值的圖形，都可進行此架構分析。本研究所採用的塊模型分析，就是採用此種「核. n. al. er. io. 心－邊緣」方式進行實驗與分析。. Ch. engchi. i n U. v. 我們將一個圖分為一些相對獨立的子圖，則可以稱各個子圖為塊（block），用來構建塊的程序模型就叫做塊模型（blockmodels）。塊模型分析的作法，則是指直接對二元型的關連矩陣（binary incidence matrix），透過行（columns）與列（rows）的重新排列，盡可能的追求理想的圖像（idealized images）。所謂的理想圖像如圖 2.6 所示，重新排列矩陣之後，會在矩陣的左上角會形成密度接近 1 的區塊，且右下角為密度接近 0 的區塊。. - 22 -.

(33) 立. 政治大圖 2. 6：理想圖像示意圖. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. - 23 -. i n U. v.

(34) 第三章研究方法. 本研究的主要目的，在於觀察網路相片分享社群上的城市情感表現。我們以城市為條件來蒐集各象限的情感相關標籤，藉由篩選這些標籤產生每個城市特有或共有的顯著標籤（Significant Tags）後，建立城市情感的標籤共現關係圖。最後我們將所有城市的共現圖疊合，並依共同的標籤建立起連結關係，我們就能產出一張以世界城市為基礎的. 政治大 UCINET 這個常見的 SNA 工具來分析這張巨型網路圖，並試著從裡面挖掘出我們想知立情感關係網路圖。最後以社會網路分析（Social Network Analysis）的角度切入，利用 3. ‧ 國. ‧. 3.1 研究架構. 學. 道的特定訊息。. sit. y. Nat. n. al. er. io. 為了達到本研究目的，我們將建立「以城市為中心之情緒共現網路」作為研究基礎。. i n U. v. 此網路特性是任何的標籤的產生都將與情緒相關，且與目標城市相連結。首先，我們從. Ch. engchi. 兩個當下最著名的網路相片分享社群中抉擇，從網站的照片豐富程度與資料取得的公開性，選擇 Flickr 社群為本篇的研究主體。網路相片附帶了相當豐富的資訊種類，包括拍攝時間、拍攝地點、標題、點擊率…等等，本研究選擇從「標籤」這個代表 Web 2.0 時代最重要特徵之一的網頁 meta data 著手，將本研究的兩大主軸－「城市」與「情感」視為軸心標籤來操作，取得 Flickr 社群上的所有相關照片與標籤集。. 3. UCINET 軟體原本是由加州大學歐文（Irvine）分校的一群網路分析者所編寫，是一款常見的社會網路分析軟體，內容包括一維與二維數據分析的 NetDraw，還有正在發展應用的三維展示分析軟體 Mage 等，同時還結合了 Pajek 等用於大型網路分析的程式，它能處理最大 32,767 個網路節點，為當下研究者廣為使用。 - 24 -.

(35) 如圖 3.1 所示，我們首先以 Flickr 上的紀錄與其他地理資訊對照下，選出了 41 個目標城市標籤，接著引用 Shaver（1987）、Russel（1980）與彭聲陽（民 100）對情緒標籤的研究，定義 4 個象限共 24 個情緒相關標籤，以此為基準對 Flickr 進行搜尋比對，先找出所有的照片後，再進行標籤的彙總與建檔。基於標籤庫呈現的總體特性，本研究選擇以英文標籤為主要語言，並進行相關的詞性合併（stemming）以及後續濾除雜訊的人工作業，最後再依城市別分別建立了所有城市的顯著標籤庫。. 立. 政治大. ‧. ‧ 國. 學 er. io. sit. y. Nat. n. 3. 1：城市顯著標籤產生流程 a圖 iv l C n hengchi U. 初步產生的顯著標籤庫高達 1640 個，以社會網路分析的範圍來說仍然太過發散，為了將研究範圍限縮並進行後續的分析，我們將這些標籤再次進行共現次數的定義，依此規則產出顯著標籤之間的二維共現關係矩陣與網路圖，矩陣的元素數值可真實呈現標籤與標籤之間的共現強度。. 標籤與標籤之間的關係，若進行兩兩共現的結果將會產生高達 1,343,980 條，委實太過龐大難以分析。於是我們以城市為基準進行了公平的顯著標籤推薦（推薦數=10 per city），接著再依據本研究關切的兩個面向，我們選擇將這些資料建立成「城市－情感標 - 25 -.

(36) 籤」的二維關係矩陣，以利呈現我們想要的城市情感面向。. 將此關係矩陣轉化成共現網路圖之後，我們因為資料的屬性所以選擇常見的中心性分析以及對於社群網路群聚現象有獨特見解的塊模型分析方式進行共現網路的分析，一整串步驟如圖 3.2 所示。. 學圖 3. 2：城市-情感共現網路與其分析示意圖. ‧. ‧ 國. 立. 政治大. sit. y. Nat. n. al. er. io. 3.2 研究對象與範圍選定 3.2.1 為何是 Flickr？. Ch. engchi. i n U. v. Flickr（http://www.flickr.com）是一個專門提供網友上傳相片的網路平台，於 2004 年 2 月由 Ludicorp 於加拿大那溫哥華設立。此網站在 Alexa 網站的流量排名為 Top 65，與近期崛起的 Instagram（Top 39）（http://instagram.com）並列為全球兩大網路相片社群網站（圖 3.3）。雖然 Instagram 因為其結合智慧型手機與平板的 APP 特性，無論是在流量或是照片總量上已追上 Flickr，但由於其崛起時間較短，導致整體相片的年份無法拉長，故本研究對象仍選擇前者。事實上截至目前為止，Flickr 上的網路相片上傳量也已. - 26 -.

(37) 經高達 115 億張4。且本網站提供大量的資料擷取 API，以研究資料取得的方便性與正確性這兩個角度來看，Flickr 都是最佳的選擇。. 立. 政治大. ‧ 國. 學. 圖 3. 3：兩大網路相片社群. ‧ sit. y. Nat. Flickr 本身提供了相當多種語言（C、Java、PHP、Perl…）的 API，每種 API 皆內. io. al. n. 面的 API，採用的 methods 說明詳如表 3.1。. Ch. engchi. er. 建有多達 38 種類共 206 個 methods 提供使用者擷取該網站的資料。本研究使用 JAVA 介. i n U. v. 表 3. 1：Flickr API methods methods. 描述. flickr.places.getTopPlaceList Return the top 100 most geotagged places for a day. flickr.photos.search. Return a list of photos matching some criteria.. flickr.photos.getinfo. Gets information about a photoset.. 4. http://www.flickr.com/photos/beatrycze/11571185734/ 為 2013/12/26 號的最新上傳相片，顯示 Flickr 總上傳次數已達 115 億次。 - 27 -.

(38) 3.2.2 城市標籤的挑選. 選定了以 Flickr 為本研究的虛擬社群後，我們依照原來的想法導入地域性。常見的地域劃分方式，由大到小為洲大陸（Continent）、國家（Country）、區域（Region）、城市（City）與城鎮（Town）等，我們挑選「城市」為本研究取得資料的參考指標，考量的原因有二個：首先，在這個越來越平坦的地球中，國家的疆界已經越來越不明顯，反而是城市慢慢變成了文明交流的主軸，舉例來說，當今各大賽事（奧運、世足…）的主辦甄選，都是以城市為單位來進行。其次，取小區域單位的城市取得資料時，我們仍可. 政治大. 依城市的所屬堆疊出國家或是洲大陸的資訊。. 立. ‧ 國. 學. 那麼到底要挑選哪些城市為目標？最直觀的想法，當然是選擇在 Flickr 這個研究主. ‧. 體中最活躍的城市。我們以 getTopPlaceList 這個 method，取得每日的 TOP 100 城市名稱以及該城市當日的照片數量，從該網頁創立的 2004 統計至 2012 年底為止，總計共取. y. Nat. n. al. Ch. engchi. er. io. 了在 Flickr 上擁有照片最多的前 100 大城市如表 3.2。. sit. 得了 302,362 筆資料以及 37,240 個城市候選名單。在併計每日的照片數量後，我們選出. i n U. v. 考量到本篇研究是以城市為基底來構建社群網路，於是我們另外還考量了一些指標來參與候選城市的決策，如人口（Population）、淨生產總值（GDP）、國民快樂指數（GNP）...等，不過因為這類資料來源受限於調查報告提出的時間或是資料的客觀性等因素，我們最後決定引用 Derudder et al.（2005）有關世界城市分群研究中提出的世界前 50 大交流網路城市來參與候選。. 該研究是以服務業可跨足全球各大城市建立服務據點的角度，選取了世界前 100 大. - 28 -.

(39) 跨國性服務企業5為研究主體，對於這些企業建立的據點，分析他們分布於世界各大城市的服務據點所構成的商業網路，藉由量測比較其中的資訊流（Data Flow）與金流（Cash Flow），建立了世界網路連結度 GNC（Global Network Connectivity）這個城市評量標準。藉由這個指標建立的世界城市經濟網路，我們可清楚界定城市（點）之間的商業活動強度（關係），表 3.3 為 GNC 指標的世界前 50 大城市。. 表 3. 2：Flickr 照片數量的前 100 城市排名相片數量. 城市. 1391368. Los Angeles. Seattle. 1151762. Sydney. 901816. San Diego. 586884. Las Vegas. 相片數量. San Francisco. Paris. 2039144. 1306761. Tokyo. 1277551. Washington. 1254803. Taipei City. 政治大. 2209380. 1064807. Barcelona. 1014672. Berlin. 1002556. Toronto. 852916. Madrid. 630787. Rome. 627940. Vancouver. 580724. Amsterdam. 524747. Boston. 521825. 502770. Melbourne. 481738. Sao Paulo. 464298. Austin. 434720. Venice. 422321. Vienna. 415172. Portland. 385687. Atlanta. 380928. Edinburgh. 378851. Montreal. 363530. Stockholm. 361343. Milan. 353992. Prague. 325954. Philadelphia. 325138. Dublin. 321713. Beijing. 320292. Bangkok. 270029. Istanbul. 267749. Shanghai. New Orleans. 251212. Munich. 237117. 236208. Chatan-cho. Bruxelles. 217645. Houston. 213391. a Singaporel. Anaheim. 204875. Indianapolis. 200964. Budapest. 196790. Florence. 190422. Seoul. 179635. Minneapolis. 179371. Hamburg. 175857. Manchester. 173888. Copenhagen. 158685. Baltimore. 156490. Bay Lake. 145116. Ottawa. 142834. Dallas. 142658. Mexico City. 142382. Helsinki. 139295. Moscow. 137431. Glasgow. 134032. Honolulu. 133230. San Jose. 131986. Vatican City. 126383. Pittsburgh. 119632. Denver. 118187. Kaohsiung City. 112502. Rotterdam. 110824. Brisbane. 110051. Nashville. 109091. Oslo. 104516. Hong Kong. 101134. Birmingham. 98031. Oakland. 95480. Brighton. 92365. Miami. 92242. Cologne. 90193. St. Louis. 89775. Milwaukee. 89621. Cleveland. 89463. ‧ 國. 立. Nat. io. n. Rio de Janeiro. sit. Chicago. 城市. 4004439. 254329. er. New York. 相片數量. ‧. 4574175. 城市. 學. London. 相片數量. y. 城市. C h212481 Orlando U n e n g cKyoto-shi 199290 hi. 5. 220805. i v 206958. 跨國 100 大企業定義為至少在全世界 15 個不同城市擁有據點，而且必須擁有北美洲、西歐以及環太平洋東亞的據點。該研究的前 100 大公司組成：18 會計事務所、15 廣告業者、23 銀行金融業者、11 保險業者、16 法律事務所與 17 管理顧問公司。 - 29 -.

(40) Bristol. 89180. Seville. 85839. Valenza. 82303. Liverpool. 77836. Kuala Lumpur. 76970. Taichung City. 76184. Detroit. 75225. Siem Reap. 75054. Frankfurt. 73928. Perth. 73161. Columbus. 72893. Zurich. 72430. Cambridge. 64078. Salt Lake City. 63753. San Antonio. 63019. Calgary. 60012. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. - 30 -. i n U. v.

(41) 表 3. 3：世界網路連結指標（GNC）的 Top 50 Cities. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 綜合以上兩個分別從城市在 Flickr 網站的活躍度以及世界城市網路連結指標得分，我們選取了共同出現的 41 個城市候選作為本次研究的對象。候選城市名單如表 3.4 所示，我們可發現這些城市大多坐落於已開發國家中的高發展區域，顯示全球性的虛擬社群網路與實際的經濟活動與城市的發展程度為正相關，其分布情形則分別為歐洲 19 個、亞洲 10 個、北美洲 9 個、南美洲 2 個、大洋洲 2 個。 - 31 -.

(42) 表 3. 4：社群網路/經濟網路活躍的 41 Cities 序號. 城市. 所屬國家. 所屬洲大陸. 序號. 城市. 所屬國家. 所屬洲大陸. 1. Amsterdam. Netherlands. Europe. 22. Milan. Italy. Europe. 2. Atlanta. United States. North America. 23. Montreal. Canada. North America. 3. Bangkok. Thailand. Asia. 24. Moscow. Russia. Europe. 4. Barcelona. Spain. Europe. 25. Munich. Germany. Europe. 5. Beijing. China. Asia. 26. New York. United States. North America. 6. Bruxelles. Belgium. Europe. 27. Paris. France. Europe. 7. Budapest. Hungary. Europe. 28. Prague. Czech Rep.. Europe. 8. Chicago. United States. North America. 29. San Francisco. United States. North America. 9. Copenhagen. Denmark. Europe. 30. Sao Paulo. Brazil. South America. 10. Dublin. Ireland. Europe. 31. Seoul. South Korea. Asia. 11. Frankfurt. Germany. Europe. 32. Shanghai. China. Asia. 12. Hamburg. Germany. Europe. 33. Singapore. Singapore. Asia. 13. Hong Kong. China. Asia. 34. Stockholm. Sweden. Europe. 14. Istanbul. Turmey. Asia/Europe. 35. Sydney. Australia. Oceania. 15. Kulala Lumpur. Malaysia. Asia. 36. Taipei. R.O.C. Asia. 16. London. U.K. Europe. 37. Toyko. Japan. Asia. 17. Los Angeles. United States. North America. 38. Toronto. Canada. North America. 18. Madrid. Spain. Austria. Europe. 19. Melbourne. Australia. United States. North America. 20. Mexico. Mexico. Swiss German. Europe. 21. Miami. United States. n. er. io. sit. y. ‧. Nat. al. 學. ‧ 國. 立. 政治大. v i n Oceania 40 Washington Ch e n g c41h i U Zurich South America Europe. 39. Vienna. North America. 3.2.3 情緒標籤的選取. 由第二章有關情緒的研究探討，我們可以發現關於情緒的定義可說是莫衷一是，而要從眾多理論中選擇有相對代表性的情緒標籤，更是一件困難的事。本研究採用的的情. - 32 -.

(43) 緒標籤，係直接引用了彭聲揚（民 100）對網路相片的情緒表現研究的部分結論。該研究採用了 Shaver（1980）以及 Russell（1987）的情緒分類，分別對 Flickr 進行情緒標籤的檢索與探討，最後歸納出 Flickr 這個社群網路的情緒表現。如同圖 3.4 所示，情緒標籤可分為四個類別：. （一）正向高強度（第一象限 Q1）情緒表現為正面積極，能帶給他人較佳的情緒感受，且其情緒表現較大者。本研究採用的代表性標籤為：happy、love、excited、joy、jump、play。. 立. 政治大. （二）負向高強度（第二象限 Q2）. ‧ 國. 學. 情緒表現為負面消極，會帶給他人不好的情緒感受，且其情緒表現較大者。本研究採用的代表性標籤為：distressed、angry、fear、pain、scary、scream。. ‧. Nat. sit. y. （三）負向低強度（第三象限 Q3）. n. al. er. io. 情緒表現為負面消極，會帶給他人不好的情緒感受，且其情緒表現較小者。本研究. i n U. v. 採用的代表性標籤為：cry、lonely、tears、tired、sad、bored。. Ch. engchi. （四）正向低強度（第四象限 Q4）情緒表現為正面積極，能帶給他人較佳的情緒感受，且其情緒表現較小者。本研究採用的代表性標籤為：peace、quite、serene、sleepy、relaxed、calm。. - 33 -.

(44) 治政大圖 3. 4：Flickr 的代表性情緒標籤立 ‧ 國. 學. 3.3 顯著標籤的產生. ‧ sit. y. Nat. ，是由資依 Furner（2007）的研究指出，使用者標籤是一種大眾分類（folksonomy）. io. al. er. 訊的分享者或使用者所自行賦予的標籤，因為此種標籤資料通常伴隨著大量人因的雜訊，. n. 故作為研究對象時必須經過一定的雜訊去除程序。圖 3.5 為本研究所需的顯著標籤產生以及處理程序，其步驟包括：. Ch. engchi. i n U. v. （一）詞幹還原與合併因本研究以英文標籤為對象，針對標籤可能因時態、詞性變化被視為不同，故對標籤庫採用常見的 Porter Stemming 進行詞幹還原與合併作業。. （二）二維關鍵字標籤搜尋城市標籤、情緒標籤為本研究的研究主軸，以此兩種標籤對全標籤庫進行標籤分類。 - 34 -.

(45) （三）顯著標籤候補推薦為了聚焦研究目的並適當縮小研究範圍而進行的各城市等量顯著標籤推薦。. （四）雜訊去除以及觀念同義詞合併對即將進行分析的資料進行此類耗時的人工作業是為了抑制雜訊，期待結果能更精確。. 立. 政治大. ‧. ‧ 國. 學 er. io. sit. y. Nat. al. n. v i n Ch 圖 3. 5：顯著標籤的處理程序示意圖 engchi U. 3.3.1 目標照片集與標籤資訊. 在章節 3.2 中決定了城市標籤與情緒標籤兩個最重要的研究指標後，就可以利用 flickr.photos.search 這個 method 對 flickr 進行搜尋，找出這 41 個城市帶有情感表現的所有照片。搜尋方式是以 41 個城市配對 24 種情緒，同時以「城市標籤＋情緒標籤」共存於同一張相片為條件，進行了 984 次搜尋，共產生 761,854 張照片。因本研究是以城市為網路節點之角度出發，所以在這個結果裡面，我們決定刪除單張照片裡同時存在兩個 - 35 -.

(46) 以上的候選城市標籤的部分，以確保每張照片都只會有單一的城市標籤。此類擁有兩個以上候選城市標籤的照片數量共有 51,343 張，所以本研究最後採用的原始資料照片數量為 710,511 張。. 接著我們將這些原始資料照片的相片編碼（photo id）送入 flickr.photos.getInfo 這個 method，以取得每張照片的原始資料。可取得的相片資訊有很多，擷取部分重要資訊如表 3.5。其中，尤其以標籤（Tags）對於本研究最為重要。. 政治大. Flickr 照片取回來的標籤資訊，可分為原始的 Raw Tag 以及 Flickr 另外處理過的. 立. Machine Tag。其中 Raw Tag 是照片上傳者對於本照片所註記的原始 Tag，本應最受重視，. ‧ 國. 學. 然而由於使用者標籤（user tagging）是一種人因的行為，會導致一些很顯然是一樣的標籤，卻在不同人的使用習慣下被標註成不一樣。例如「New York」這個標籤，顯然就與. ‧. 「NewYork」、「new york」或是「newyork」有相同的意義，所以 Flickr 在儲存上述這些. Nat. sit. y. Raw Tag 時，都是以「newyork」這個 Machine Tag 來儲存，故本研究在 Flickr 網頁所下. er. io. 的搜尋標籤條件，也是基於此種考量使用該照片的 Machine Tags 來進行後續的研究。. n. al. v i n C 5：Flickr 相片的重要資訊表 3.h engchi U. 資訊欄位. 描述. Photo id. 照片上傳時，Flickr 網站編的流水號。. Date Uploaded. 上傳照片的日期。. Owner. 照片的擁有者。. Title. 照片擁有者對照片下的標題。. Description. 照片擁有者對照片下的描述。. Visibility. 照片的公開閱覽程度，分為 public…等三個等級。. Date Taken. 照片拍攝的日期。. Views. 照片的點擊率，顯示照片的熱門程度。. Format. 原始照片的格式。 - 36 -.

(47) URL. 可檢閱該照片的 URL。. Raw Tag. 照片擁有者所下的原始標籤。. Machine Tag. Flickr 網頁對於原始標籤處理過後的正規標籤。. 3.3.2 標籤資訊的處理. 儘管我們取得的標籤已經是 Machine Tag，但是當我們試著檢視這些標籤時，還是發現一些問題應該要先被拿出來檢視並處理，說明如下：. （一）標籤語言的不一致. 立. 政治大. Flickr 本身並未對標籤的使用語言做限制，所以標籤集裡面充斥著多國文字。本研. ‧ 國. 學. 究的作法，是將已成為顯著標籤候選的非英語系文字標籤，以 Google 的翻譯 API 將其. ‧. 強制轉為英語，使用「英文標籤」作為本研究的指定標籤語言格式。. y. Nat. io. sit. （二）標籤本身的可讀性. n. al. er. 在顯著標籤的候選中，我們還是可以發現一些難以閱讀的標籤。以 Munich 這個城. Ch. i n U. v. 市的標籤集為例子，就出現了有些可能是文字的併用，像是 joylovestodrive，或是疑似. engchi. 地名 zhongguo，甚至像 fdr、errie...此類難以解讀的標籤，我們只能以人工的方式介入進行排除。操作方法是以人工檢視各城市的顯著標籤候選，然後將無法判讀的標籤建成雜訊標籤（Noise Tag）檔，讓整個雜訊排除過程是有跡可尋且可以事後進行檢討修正的。. （三）特殊型態的標籤人們在標註某張相片時，有些標籤類型會被廣泛的使用，但這些標籤因為其共通性或是獨特性，顯然並不屬於本研究的情緒共現標籤範疇。所以我們一樣將這些標籤類型歸納在雜訊標籤中加以排除。這些類型分別為：. - 37 -.