以機器學習方法評估旅館業發展潛能 - 政大學術集成

全文

(1)國立政治大學經營管理碩士學程全球台商班碩士學位論文. 以機器學習方法評估旅館業發展潛能 Using machine learning to evaluate 治the development potential of 政 the hotel industry大. 立. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 指導教授：謝明華博士研究生：莊家榮撰. 中華民國一〇八年十二月. DOI:10.6814/NCCU202000034.

(2) 摘要 2017 年可以說是人工智慧應用大爆發的一年，各式各樣的 AI 應用都在不同領域中有所突破，從交通、醫療到娛樂服務。人工智慧的進步不但能提供更佳的決策，亦能強化組織能力並增加效率。在過去十年中，幾乎所有企業都或多或少接觸了數位轉型。在未來可以預見的是，許多以人工智慧為基礎所開發的系統開始進行各種商業測詴，也會有許多供應商接著推出由人工智慧所打造的資料分析商業軟體，幫助品牌預測影響客戶留存率的關鍵點或是提升品牌與客戶間的互. 政治大本篇研究之自然語言處理、數據分析之結果，便能了解到哪些因素會影響到立. 動。. ‧. ‧ 國. 學. 顧客對顧客對飯店的評論，進而影響到評論分數的高低。. 關鍵字: 人工智慧 / AI / 自然語言處理. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. i. DOI:10.6814/NCCU202000034.

(3) Abstract. 2017 can be said to be the year of the explosion of artificial intelligenceapplications. A variety of AI applications have made breakthroughs in different fields, from transportation, medical to entertainment services. Advances in artificial intelligence not only provide better decisions, they also strengthen organizational capabilities and increase efficiency. Over the past decade, almost all companies have been more or less exposed to digital transformation. In the future, it. 治政 is foreseeable that many systems developed based on大 artificial intelligence will start 立 ‧ 國. 學. various commercial tests, and many vendors will then launch data analysis business software created by artificial intelligence to help brands predict the impact of. ‧. customer retention The key point is to improve the interaction between the brand and. sit. y. Nat. the customer.. n. al. er. io. From the results of natural language processing and data analysis in this study,. i n U. v. we can understand what factors affect customer reviews of restaurants, and then affect the level of review scores. Ch. engchi. Keyword: artificial intelligence / AI / Natural Language Processing. ii. DOI:10.6814/NCCU202000034.

(4) 目次第一章、緒論 ............................................................................................................... 5 第一節、. 研究背景................................................................................................ 5. 一、. 市場現況.................................................................................................... 5. 二、. 未來發展.................................................................................................... 7. 第二章、文獻回顧 ....................................................................................................... 9 第一節、. 人工智慧技術 ....................................................................................... 9. 一、. 人工智慧簡介............................................................................................ 9. 二、. 人工智慧之分級...................................................................................... 10. 三、. 強人工智慧與弱人工智慧...................................................................... 11. 四、. 人工智慧的三波浪潮.............................................................................. 12. 一、. 機器學習簡介.......................................................................................... 16. 二、. 機器學習之模型...................................................................................... 18. 政治大五、人工智慧的應用...................................................................................... 13 立第二節、機器學習.............................................................................................. 16. ‧ 國. 學. 深度學習簡介 ..................................................................................... 24. ‧. 第三節、. 深度學習模型介紹.................................................................................. 25. 二、. TensorFlow 介紹 ..................................................................................... 27. 三、. Keras 介紹 ............................................................................................... 28. er. io. sit. y. Nat. 一、. al. v i n Ch 第一節、旅館業之專案 ..................................................................................... 30 engchi U 一、介紹投資項目.......................................................................................... 30 n. 第三章、旅館業之專案介紹 ..................................................................................... 30. 二、. 投資潛力與需求分析.............................................................................. 32. 三、. 專案風險分析.......................................................................................... 36. 四、. 結論.......................................................................................................... 38. 第四章、實證分析 ..................................................................................................... 39 第一節、. 介紹資料.............................................................................................. 39. 一、. 資料來源.................................................................................................. 39. 二、. 資料內容.................................................................................................. 39. 第二節、. 分析資料.............................................................................................. 41. 一、. 視覺化分析圖.......................................................................................... 41. 二、. 訓練模型.................................................................................................. 44. 1. DOI:10.6814/NCCU202000034.

(5) 第五章、結論 ............................................................................................................. 49 參考文獻...................................................................................................................... 50. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 2. DOI:10.6814/NCCU202000034.

(6) 表次表 4-1 各資料集的 MAE 數據 ........................................... 45 表 4-2 正負面評論的情緒分析 .......................................... 47. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 3. DOI:10.6814/NCCU202000034.

(7) 圖次圖 2-1 人工智慧定義................................................... 9 圖 2-2 人工智慧 AI 發展史 ............................................. 12 圖 2-3 深度神經網絡架構 .............................................. 26 圖 2-4 LSTM 之架構 .................................................. 27 圖 2-5 Keras 深度學習模型 ............................................ 28 圖 3-1 乘飛機抵達 CNMI 旅客總數量分析 ................................. 32. 政治大圖 3-3 未來三年夢想的旅遊主題分析立 ..................................... 35. 圖 3-2CNMI 酒店表現 HANMI*帄均房價及入住率/月度帄均入住率 .............. 33. ‧ 國. 學. 圖 4-1 飯點地點分佈圖 ................................................ 41 圖 4-2 關係矩陣圖 ................................................... 42. ‧. 圖 4-3 評論者之國籍分佈圓餅圖 ........................................ 42. y. Nat. io. sit. 圖 4-4 各國評論者給評論次數之長條圖 ................................... 43. er. 圖 4-5 各國評論者給分情況 ............................................ 43. al. n. v i n 圖 4-6 飯店正負評論字數分佈圖C........................................ 44 hengchi U 圖 4-7 評論重要字詞的排名排序 ........................................ 46. 4. DOI:10.6814/NCCU202000034.

(8) 第一章、緒論第一節、研究背景一、市場現況自 Alphabet 推出 AlphaGo 擊敗韓國高端棋士李世石九段以來，隨著讚嘆電腦運算的速度以及科技程度的進步，人們如夢中驚醒，深藍由 IBM 開發，專門用以分析西洋棋的超級電腦於 1997 年 5 月擊敗西洋棋世界冠軍卡斯巴羅夫，直到現在破解了曾經世人認為無法完美計算的圍棋棋局。一直以來，人類的”直觀”. 政治大分析局勢的能力皆被認為是電腦無法取代的，但 AlphaGo 運算模式成功以棋局立. ‧ 國. 學. 的自我深度學習，以統計方式完勝人類對未來情況的模擬，進而開始注意到統計以及數據在現代生活中猶如鴻鵠將至，風雨欲來的發展。. ‧. 2017 年可以說是人工智慧應用大爆發的一年，各式各樣的 AI 應用都在不同. Nat. sit. y. 領域中有所突破，從交通、醫療到娛樂服務。舉例來說，Google 旗下自駕車計. n. al. er. io. 畫公司 Waymo，成為全球首次「真」無人車上路測詴；AlphaGo Zero 戰勝原版. i n U. v. AlphaGo，只需要三天就能熟悉第一代 AlphaGo 所有的圍棋知識；中國科大訊飛. Ch. engchi. 的一款 AI 機器人「小易」，通過了臨床執業醫師綜合筆詴評測，成為全球第一位通過醫療執照考詴的機器人；以及，在阿拉伯聯合大公國，出現了全球首位獲得公民權的 AI 機器人索菲亞（Sophia）。人工智慧的進步不但能提供更佳的決策，亦能強化組織能力並增加效率。在過去十年中，幾乎所有企業都或多或少接觸了數位轉型，但根據最近發表的 PwC Digital IQ 調查顯示： 1.. 在 2017 年，新興科技的帄均投資為 18%，只稍微高出 2007 的 17%。. 5. DOI:10.6814/NCCU202000034.

(9) 2.. 2007 年有 52%的企業表示有專門研究新興科技的組織，但到 2017，卻下降為 33%。. 3.. 只有 52%的企業認為自己在數位 IQ 方面很強，相較兩年前掉了不少。 2017 年稍早，中國阿里巴巴跟螞蟻金服的創辦人馬雲才對世界宣告，接下來. 是「互聯網 +」進入「AI +」的時代，人工智慧技術大量商業化將成為未來帶動社會前進的動力，也早已標誌著人工智慧的未來已勢不可擋。根據統計，2012 到 2016 年人工智慧領域吸引了全球數百億美元投資，其中流入美國、中國大陸的. 政治大. 金額最大，分別達到 180 億、26 億美元。此外，在金融業務上，許多創新方案. 立. 都要靠科技化，如：移動支付服務、大數據分析、區塊鏈技術、P2P 網絡借貸帄. ‧ 國. 學. 台及生物辨識系統等。. ‧. 根據 Entrepreneur Network 報導 2018 年人工智慧之趨勢及議題，如下：人工. sit. y. Nat. 智慧可能有助於創造就業機會，但也會導致一些工作流失，預計 2018 年以後 AI. n. al. er. io. 將幫助白領工作者；物流將變得越來越高效率，未來的倉庫的樣貌將改變，不專. i n U. v. 為容納包裝工人而設計，而為能夠 24 小時工作並且不需要照明的高性能機器人. Ch. engchi. 而設計；主流汽車製造商將推出自動駕駛車，特斯拉(Tesla)是第一批推出自動駕駛車的汽車製造商；美國國防部高級研究計劃局（DARPA）開創了多項技術突破，影響了我們的日常生活，例如：開發互聯網及全球定位系統技術等；新聞內容生產將利用 AI 產生，美國廣播公司 CBS 及 Hearst 已經在使用 AI 技術來撰寫新聞內容；消費者將習慣於與技術交流；對數據科學家的需求將超過對工程師的需求，機器學習使用機率來確定問題的正確答案或決策；AI 將有助於戰勝重大疾病，藉由點對點網路技術時代，透過收集、分析人類的分子數據，有助於解決醫療及健康的議題。. 6. DOI:10.6814/NCCU202000034.

(10) 近年來許多科技如行動裝置、IoT、數據分析等的進步雖提升了效率與生產力，卻也讓使用者必須去配合及學習其運用，而此時 AI 的目的就是要幫助人類去適應新的科技，也就是說，讓科技更加智慧化及人性化。. 二、未來發展人工智慧將顛覆商業思維、改寫商業模式。依照目前的創新速度與產學所匯聚的能量，在未來，AI將快速發展成為市場上真正的「主流」技術思維。Gartner. 政治大. 前些日子就預測，未來AI將存在於各種程式與現實的服務中，在短時間內人工智. 立. 慧將主導與驅動各種形式的數位創新並帶來實際效益。. ‧ 國. 學. 人工智慧將成為各種技術的「核心」，在短時間內有非常具潛力的前景，人工智慧翻譯在未來將日益商業化，解決生活中各種棘手的問題。在未來可以預見. ‧. 的是，許多以人工智慧為基礎所開發的系統開始進行各種商業測詴，也會有許多. y. Nat. 留存率的關鍵點或是提升品牌與客戶間的互動。. al. er. io. sit. 供應商接著推出由人工智慧所打造的資料分析商業軟體，幫助品牌預測影響客戶. n. v i n Ch 如同Apple的Siri和亞馬遜的Alexa，聊天機器人和語音助理在2018年以變得 engchi U. 更加「聰明」和「靈活」，幫助人類更有效率地完成任務，也可以透過人工智慧機器人來解決與外國人溝通的障礙，在企業上或政治上的外交將變得更有利，在 2016到2022年期間機器人的市場佔有率將提升26%，未來也將會有更多得供應商進入這個市場，快速適應變化，迎戰人工智慧時代。人工智慧將促使我們改變原有的生活和工作方式，而這個改變是正面的。人工智慧在許多面向上的確可以做的比人類更好，它接手了那些重複、耗時或會危及人身安全的任務，但終究不會. 7. DOI:10.6814/NCCU202000034.

(11) 取代人類。換個角度想人工智慧的各種創新應用將提高我們的生活品質，並使我們能騰出更多時間做真正想做的事情或是開發新的領域與興趣。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 8. DOI:10.6814/NCCU202000034.

(12) 第二章、文獻回顧第一節、人工智慧技術一、人工智慧簡介人工智慧，是指由人製造出來的機器所表現出來的智慧，通常是指電腦模擬人類思維過程以模仿人類能力或行為的能力。Rich 定義人工智慧為：「人工智慧是研究如何使電腦能做那些目前人類做得較好的事」，而 Winston 則定義人工智慧為：「研究使電腦具備聰明特性的學科」。「人工智慧」的概念是由美國科. 政治大學家 John McCarthy 於 1955 年提出，目的就是將人類智慧電腦化，使電腦具有立. ‧ 國. 學. 如人腦一般的思考、學習及解決問題的能力。人工智慧的定義可以分為兩部分，即「人工」和「智慧」。「智慧」一辭源自拉丁文的「legeve」，指搜集與組合. ‧. 事物，並從事選擇，進而對事物有所了解、認識。其中，人工智慧、機器學習或. Nat. sit. y. 是深度學習，此三者間的關係是彼此的子集，「機器學習」屬於人工智慧之技術. n. al. er. io. 之一，而「深度學習」亦屬於機器學習技術之一，由下圖所示：. Ch. engchi. i n U. v. 圖 2-1 人工智慧定義. 9. DOI:10.6814/NCCU202000034.

(13) 人工智慧是以電腦科學、心理學、生物學、數學、語言學、工程學為基礎的一門科學，其主要的研究內容為知識的取用、搜尋、推論、學習。人工智慧主要是在研究，如何使用電腦的功能，來做一些本來必須由人類執行才能完成的工作；簡單的說，就是藉由電腦來執行人類智慧的過程，機器在經過程式設計之後，能表現出與人類類似的智慧。人工智慧的應用領域非常廣泛，例如：蘋果 Siri、微軟 Cortana，以及分別擊敗人類西洋棋與圍棋高手的 IBM Deep Blue、Google DeepMindAlphaGo 都是人工智慧研究的結晶。. 政治大人工智慧依照電腦能夠處理與判斷的能力區分為四個分級如下：第一級人工立. 二、人工智慧之分級. ‧ 國. 學. 智慧是指電腦含有自動控制的功能，可以經由感測器偵測外界的溫度、濕度、亮度、震動、距離、影像、聲音等訊號，經由控制程式自動做出相對的反應；第二. ‧. 級人工智慧是指電腦可以探索推論、運用知識，是基本典型的人工智慧，利用演. y. Nat. sit. 算法將輸入與輸出資料產生關聯，可以產生極為大量的輸入與輸出資料的排列組. n. al. er. io. 合，應用於拼圖解析程式、醫學診斷程式等；第三級人工智慧是機器學習，根據. Ch. i n U. v. 輸入的資料由機器自己學習規則，應用於搜尋引擎、大數據分析等；第四級人工. engchi. 智慧是深度學習，指電腦可以自行學習並且理解機器學習時用以表示資料的特徵值，因此又稱為「特徵表達學習」，例如：Google 教會電腦貓的特徵。第三級的機器學習與第四級的深度學習不容易區分，其實深度學習是由機器學習發展而來，主要的差異在於第三級人工智慧處理資料時的特徵值必須由人類告訴電腦；第四級人工智慧處理資料時的特徵值可以由電腦自己學習而得，這是人工智慧很大的突破。. 10. DOI:10.6814/NCCU202000034.

(14) 三、強人工智慧與弱人工智慧人工智慧又分為強人工智慧和弱人工智慧。強人工智慧的觀點是認為有可能製造出真正能推理和解決問題的智能機器，而且這樣的機器能將被認為是有知覺的，有自我意識的。弱人工智慧的觀點是認為不可能製造出能真正地推理和解決問題的智能機器，這些機器只不過看起來像是智能的，但是並不真正擁有智能，也不會有自主意識。弱人工智慧和強人工智慧並非完全對立，也就是說，強人工智慧是可能的，弱人工智慧仍然是有意義的。現今所執行的系統是一種弱人工智慧的形式，系統. 治政大可以做一件或是多件事情，而做的程度與人類相當，甚至超越人類。比如說，我立們透過寫程式碼來創建學習系統，訓練它辨識物體或是手勢。. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 11. DOI:10.6814/NCCU202000034.

(15) 四、人工智慧的三波浪潮. 政治大. 立圖 2-2 人工智慧 AI 發展史. ‧ 國. 學. （一）第一波 AI 浪潮. ‧. 第一波 AI 浪潮起源於 1950 年，圖靈出版的論文「圖靈測詴」被視為智. sit. y. Nat. 慧機器的概念先驅。由於在網路之前就出現，因此被稱為「古典人工智慧」。. io. al. er. 1956 年達特矛斯會議後十多年間是人工智慧第一次崛起的黃金年代，計算. v. n. 機被應用於解決代數問題、證明幾何定理、學習與使用英語等，成果豐富，. Ch. engchi. i n U. 也讓研究人員信心倍增。然而到 1980 年代，研究人員發現人工智慧對許多項目的難度評估嚴重不足，遭遇的許多瓶頸也難以克服，最後無疾而終。. （二）第二波 AI 浪潮第二波 AI 浪潮伴隨著電腦的普及，出現在 1980 年代。這時期所進行的研究，是以灌輸「專家知識」作為規則，來協助解決特定問題的「專家系統」為主。然而，縱使當時有商業應用的實例，應用範疇卻很有限，熱潮也因此逐漸消退，主因是效能落敗競爭產品，且成本價格過高。. 12. DOI:10.6814/NCCU202000034.

(16) （三）第三波 AI 浪潮第三波 AI 浪潮則出現於 2010 年代，伴隨著高性能電腦、網際網路、大數據、感測器的普及，以及計算成本的下降，「機器學習」隨之興起。不僅演算法在語音和影像辨識方面有極大突破，硬體運算能力也大幅提升，讓人工智慧技術立下多個重要里程碑。. 第三波人工智慧浪潮能再次崛起是因為現代演算法、大數據與硬體運算能力的大幅改善，此外，雲端技術也是加速現代人工智慧發展的關鍵。其中. 政治大. 容易被忽略的是，「軟體演算法」和「硬體運算能力」間其實存在某種程度. 立. 的抵換關係，人工智慧發展重點只關注於目標達成，不在乎軟硬體間效能的. ‧. ‧ 國. 學. 分配比重，因此若軟體效能極佳，則硬體效能的要求就可以較低。. y. Nat. io. sit. 五、人工智慧的應用. er. 人工智慧的應用並不限於資訊科學，根據資誠聯合（PWC）發表的《全球. al. n. v i n 人工智慧研究報告》指出，AIC對產業潛力影響指數，依序為醫療、汽車、金融 hengchi U. 服務、運輸、物流、技術、通信、娛樂、零售、能源及製造業等區塊，已經創造出有別傳統的產業經營模式。例如：在機械、控制、工業工程等方面與機器人作. 結合；在商業與管理科學上和醫學生物方面，利用人工智慧的技術來決策、診斷模式、人類基因圖譜的完成與資料解碼、分類等；在政經領域方面，利用人工智慧的技術來建構社會互動的理論模型；在心理學及認知科學方面，利用人工智慧的技術來模擬人類的行為，以驗證理論的正確性。以下介紹人工智慧的技術應用的領域上有：. 13. DOI:10.6814/NCCU202000034.

(17) (一) 專家系統(Expert System)：針對預設的問題，事先準備好大量的對應方式，主要應於疾病診斷。專家系統只能針對專家預先考慮過的狀況來準備對策，它並沒有自行學習的能力，因此還是有其侷限性。 (二) 自然語言處理(Natural Language Understanding)：自然語言處理就是要使電腦具有使用人類語言的能力，包括語言、文字的認知、了解和翻譯。一個完整的自然語言理解系統需要經過語法、. 政治大. 語意及語用三方面的分析程序，最具代表性的應用就是「聊天機器人」. 立. 學. ‧ 國. （Chatbot）。. (三) 電腦視覺(Computer Vision)：. ‧. 指用攝影機和電腦代替人眼對目標進行辨識、跟蹤和測量等機器視. sit. y. Nat. 覺，並進一步做圖像處理，用電腦處理成為更適合人眼觀察或傳送給儀. io. n. al. er. 器檢測的圖像。. Ch. (四) 語音辨識(Speech Understanding)：. engchi. i n U. v. 以電腦自動將人類的語音內容轉換為相應的文字。與說話人辨識及說話人確認不同，後者嘗詴辨識或確認發出語音的說話人而非其中所包含的詞彙內容。 (五) 機器人應用(Robotic Application)：近年來機器人學的研究偏向於所謂的智慧型機器人，能偵測工作環境或工作狀況的變動，自行作決定並調適處理程序。目前使用較普遍的. 14. DOI:10.6814/NCCU202000034.

(18) 感應裝置有光學感應系統、機器視覺系統，其它的知覺系統如觸覺感應裝置、熱感應系統及聲納探測系統等也正在研究發展當中。 (六) 類神經網路(Artificial Neural Network)：從第三次 AI 浪潮所興起的機器學習有許多種手法，其中最受矚目的，莫過於「深度學習」了。所謂深度學習，是透過模仿人腦的「類神經網路」來學習大量資料的手法。 (七) 智慧型代理人(Intelligent Agent)：. 政治大. 智慧型代理人乃是透過電腦程式自動地處理大量資料的選擇，幫忙. 立. 排序和過濾收到的資料流，而自動地整理成可管理的高價值資訊，傳送. ‧ 國. 學. 給此系統使用者。. ‧. 其中，最具有突破性及實用性當以專家系統為代表，目前己有許多的實際應. y. Nat. sit. 用。由於人工智慧發展的歷史尚淺，還有許多工作及研究可以發展，將 AI 的技. n. al. er. io. 術應用於實際世界中，以改善人類的生活，以下介紹受歡迎的人工智慧的實際應用：. 1.. Ch. engchi. i n U. v. 蘋果的智慧語音助理 Siri，該技術可協助用戶找到資訊、提供指引、新增行事曆與傳送簡訊等。透過機器學習技術變得更聰明，能更精準預測及了解用戶的自然語言問題與要求。. 2.. 亞馬遜推出的 Alexa 可協助用戶在網路上找資訊、購物、安排約會、設定鬧鐘等，並可推動智慧家庭發展，或成為行動不便用戶的協助管道。. 15. DOI:10.6814/NCCU202000034.

(19) 3.. Boxever 透過機器學習與使用人工智慧來改善旅遊業客戶體驗以及提供攸關採購關鍵決策的微時刻，讓該公司可藉此幫助業者找到與客戶互動的新方式。. 4.. 由 David Amsellem 領軍的豪華旅遊服務公司 John Paul，透過在現有的客戶互動中引進人工智慧，可即時了解客戶的渴望與需求。. 5.. Netflix 透過分析用戶對於影片的反應，已可提供極準確的預測技術，而且隨著數據量持續增加，該系統將越來越聰明。. 6.. 政治大 Pandora 提出的四百多種音樂特質，每首歌一開始都由人工分析，系統立. io. n. al. sit. 第二節、機器學習. er. Nat 一、機器學習簡介. y. ‧. ‧ 國. 學. 再透過過往的紀錄推薦用戶喜愛的歌曲。. Ch. engchi. i n U. v. 機器學習(ML)通常可以這樣定義：「透過從過往的資料和經驗中學習並找到其運行規則，最後達到人工智慧的方法。」機器學習包含透過樣本訓練機器辨識出運作模式，而不是用特定的規則來編程。這些樣本可以在資料中找到。換句話說，機器學習是一種弱人工智慧(narrow AI)，它從資料中得到複雜的函數(或樣本)來學習以創造演算法(或一組規則)，並利用它來做預測。. 機器學習（Machine Learning）是透過演算法，使用歷史資料進行訓練，從資料中學習樣本，訓練完成後會產生模型。未來當有新的資料，我們可以使用訓練產生的模型進行預測。機器學習的訓練的資料是由資料的特徵（features）和 16. DOI:10.6814/NCCU202000034.

(20) 資料的標籤（label）組成。機器學習的流程分為以下七個步驟：收集資料（Gathering data）、準備數據（Preparing that data）、選擇模型（Choosing a model）、訓練機器（Training）、評估分析（Evaluation）、調整參數（Hyperparameter tuning）、預測推論（Prediction）。. 機器學習的厲害之處在於它可以自主學習。現在的機器學習應用都做得不錯，比如識別物件，同樣的機器學習系統仍然可以使用在未來的物件，並不需要重寫程式碼，這是相當方便且強大的。機器學習主要分為四種學習方式，如下：. 政治大. (一) 監督式學習（Supervised Learning）. 立. 在訓練的過程中提供物件（向量）和預期輸出，可以是「有標籤」的分. ‧ 國. 學. 類資料或是一個連續的值（迴歸分析），例如輸入了大量已標示清楚標籤的. ‧. 腳踏車和機車給機器後，讓機器分辨尚無標簽的照片是機車還是腳踏車。類. n. al. Ch. sit er. io. (二) 半監督式學習（Semi-supervised Learning）. y. Nat. 似於動物和人類的認知感知中的「概念學習」。. i n U. v. 介於監督學習與非監督學習之間。這樣的學習方式會先將「有標籤」的. engchi. 資料和「無標籤」的資料切出一條分界線，再將「無標籤」資料依據整體分布，調整出兩大類別的新分界。不需要百分之百大量的「有標籤」資料，讓半監督學習同時能降低成本又具有非監督式學習高自動化的優點。 (三) 非監督式學習（Unsupervised Learning）這樣的機器學習方式不需要人力事前的輸入標籤，僅僅提供了輸入範例，便直接以沒有標準答案的資料來訓練機器，在學習時機器會自動找出潛在類別的規則，並且反覆以經過測詴後的學習結果應用到新的案例上。. 17. DOI:10.6814/NCCU202000034.

(21) (四) 增強學習（Reinforcement Learning）源自於心理中行為主義理論的學習方法，即如何在環境給予的獎懲刺激下，一步步形成對於這些刺激的預期，來產生能夠獲得最大利益的習慣性行為，強調的是透過環境而行動，並會隨時根據輸入的資料逐步修正。這個方法具有普適性，因此在其他許多領域，如博弈論、統計學及遺傳算法等都有研究。強化學習之業務用例，例如：優化期權交易投資組合的交易策略、在不同的需求週期中帄衡電網的負載、庫存並使用機器人挑選、優化自動駕駛汽車的駕駛行為、適時優化定價以便在線拍賣供應有限的產品。. 學. ‧ 國. 立. 政治大. 二、機器學習之模型. ‧. (一) 邏輯斯迴歸(Logistic Regression). Nat. sit. y. 邏輯斯回歸模型是一個二分類模型，它選取不同的特徵與權重來對樣本. n. al. er. io. 進行機率分類，利用邏輯斯函數（logit function）計算樣本屬於某一類的機. i n U. v. 率。即一個樣本會有一定的機率屬於一個類，會有一定的機率屬於另一類，. Ch. engchi. 機率大的類即為樣本所屬類。邏輯斯回歸適用於處理線性和二元的分類問題。邏輯斯回歸是屬於分類演算法，而非回歸演算法。但其缺點是，如果類別不是”線性可分類”的，它就不會收斂。 (二) 單純貝氏分類法（Naive Bayesian）單純貝氏分類法的原理是通過某對象的先驗機率，利用貝氏定理計算出其後驗機率，即該對象屬於某一類的機率，選擇具有最大後驗機率的類作為該對象所屬的類。該分類器模型會給問題例項分配用特徵值表示的類標籤，類標籤取自有限集合。它不是訓練這種分類器的單一演算法，而是一系列基 18. DOI:10.6814/NCCU202000034.

(22) 於相同原理的演算法：所有單純貝氏分類器都假定樣本每個特徵與其他特徵都不相關。單純貝氏分類法的特性：基於機率型分類，使用貝氏定理來做計算，並假設特徵之間事件獨立；適合用在資料會不斷成長的應用，最常用於文件自動分類的應用上。 (三) 決策樹演算法（Decision Tree）機器學習中，決策樹是一個預測模型；他代表的是對象屬性與對象值之間的一種映射關係。樹中每個節點表示某個對象，而每個分叉路徑則代表某. 政治大. 個可能的屬性值，而每個葉節點則對應從根節點到該葉節點所經歷的路徑所. 立. 表示的對象的值。決策樹僅有單一輸出，若欲有複數輸出，可以建立獨立的. ‧ 國. 學. 決策樹以處理不同輸出。. 使用決策樹演算法時，我們會先從樹根開始，依據特徵值將數據分割至. ‧. 不同邊，而獲得最大的資訊增益(information gain)。在迭代的過程中，在每. y. Nat. er. io. sit. 個子節點重複分割過程，直到樹葉節點的樣本都屬於同一個類別。決策樹演算法特性有：決策樹是一個解釋性能力很強的模型；容易導致高度適合的現. al. n. v i n Ch 象，可以透過剪枝來避免；先剪枝：在構造過程中，當某個節點滿足剪枝條 engchi U 件，則直接停止此分支的構造，但容易產生「視界局限」；後剪枝：先構造完成完整的決策樹，再通過某些條件遍歷樹進行剪枝，但計算量代價比預剪枝方法大。 (四) 隨機森林（Random Forest）隨機森林是用隨機的方式建立一個森林，森林裡面有很多的決策樹組成，隨機森林的每一棵決策樹之間是沒有關聯的。在得到森林之後，當有一個新的輸入樣本進入的時候，就讓森林中的每一棵決策樹分別進行一下判斷，看. 19. DOI:10.6814/NCCU202000034.

(23) 看這個樣本應該屬於哪一類（對於分類演算法），然後看看哪一類被選擇最多，就預測這個樣本為那一類。直覺來說，你可以把隨機森林當作是多個決策樹組合而成的，這個在機器學習領域稱為整體 Ensemble。整體機器學習(Ensemble learning)演算法則是結合多個弱學習器來建構一個強穩的模型，而這種模型比較不會有偏差或是發生高度適合。隨機森林通過自助法（bootstrap）重採樣技術，從原始訓練樣本集 N 中有放回地重複隨機抽取 k 個樣本生成新的訓練樣本集合，然後根據自助樣本. 治政大集生成 k 個分類樹組成隨機森林，新資料的分類結果按分類樹投票多少形成立的分數而定。其實質是對決策樹演算法的一種改進，將多個決策樹合併在一. ‧ 國. 學. 起，每棵樹的建立依賴於一個獨立抽取的樣品，森林中的每棵樹具有相同的. ‧. 分佈，分類誤差取決於每一棵樹的分類能力和它們之間的相關性。特徵選擇. sit. y. Nat. 採用隨機的方法去分裂每一個節點，然後比較不同情況下產生的誤差。. n. al. er. io. 隨機森立中的每棵樹的按照如下規則生成：如果訓練集大小為 N，對於. i n U. v. 每棵樹而言，隨機且有放回地從訓練集中的抽取 N 個訓練樣本（這種取樣方. Ch. engchi. 式稱為 bootstrap sample 方法），作為該樹的訓練集。如果每個樣本的特徵維度為 M，指定一個常數 m<<M，隨機地從 M 個特徵中選取 m 個特徵子集，每次樹進行分裂時，從這 m 個特徵中選擇最優的。每棵樹都盡最大程度的生長，並且沒有剪枝過程。隨機森林屬於整合學習（Ensemble Learning）中的 bagging 演算法，可以用來做分類、回歸等問題。與 bagging 的區別是在生成每棵樹的時候，每個節點變數都僅僅在隨機選出的少數變數中產生。因此，樣本和每個節點的特徵都是隨機的。隨機性的引入，使得隨機森林不容易過擬合，以及使得隨機. 20. DOI:10.6814/NCCU202000034.

(24) 森林有很好的抗雜訊能力。能處理很高維度的資料，並且不用做特徵選擇，既能處理離散型資料，也能處理連續型資料。訓練速度快，可以得到變數重要性排序。 (五) 線性支援向量機（SVM-Linear）支援向量機是在分類與迴歸分析中分析資料的監督式學習模型與相關的學習演算法。線性可分支援向量機的學習目標就是找到一個分離超帄面，能將實例分配到不同的類中，分離超帄面對應於方程. ，該帄面. 政治大. 由法向量 w 和截距 b 來決定。分離超帄面將空間分為兩部分，一部分是正. 立. 類，一部分是負類，法向量指向的一側為正類。. ‧ 國. 學. 支援向量機的特性是 SVM 屬於廣義線性分類器的一族，並且可以解釋為感知器的延伸。可以同時最小化經驗誤差和最大化幾何邊緣區，也被稱為. ‧. 最大間隔分類器。. sit. y. Nat. io. n. al. er. (六) 非線性支援向量機（SVM-Nonlinear）. v. 為了使用 SVM 解決非線性分離的數據，透過對應函數∅(∙)，將訓練數. Ch. engchi. i n U. 據轉換到更高維的特徵空間中，並對這個新空間中的數據，訓練一個線性支援向量機來做分類。然後使用相同的對應函數∅(∙)，將訓練數據做轉換到高維特徵空間中，應用剛剛訓練出來的線性支援向量機模型來分類。在高維空間上求解一個帶約束的優化問題顯然比在低維空間上計算量要大得多，這就是所謂的“維數災難”，於是引入了“核函數”，也就是當不同類別的資料在原始空間中無法被線性分類器區隔開來時，透過核函數將資料進行轉換到更高維度的空間。. 21. DOI:10.6814/NCCU202000034.

(25) 其演算法原理為徑向基函數核(RBF 核)是 SVM 中最為常用的核函數。非線性支援向量機的特性是 SVM 學習問題可以表示為凸優化問題，因此可以利用已知的有效演算法發現目標函數的全域最小值；高維空間下或特徵維數大於樣本數時仍有效，小樣本訓練集上能夠得到比其它演算法好很多的結果。. (七) K-Nearest Neighbor KNN 演算法的核心思想是如果一個樣本在特征空間中的 K 個最相鄰的. 政治大. 樣本中的大多數屬於某一個類別，則該樣本也屬於這個類別，並具有這個類. 立. 別上樣本的特性。該方法在確定分類決策上只依據最鄰近的一個或者幾個樣. ‧ 國. 學. 本的類別來決定待分樣本所屬的類別。KNN 方法在類別決策時，只與極少量的相鄰樣本有關。由於 KNN 方法主要靠周圍有限的鄰近的樣本，而不是. ‧. er. io. sit. Nat. 分樣本集來說，KNN 方法較其他方法更為適合。. y. 靠判別類域的方法來確定所屬類別的，因此對於類域的交叉或重疊較多的待. KNN 演算法不僅可以用於分類，還可以用於回歸。通過找出一個樣本. al. n. v i n Ch 的 K 個最近鄰居，將這些鄰居的屬性的帄均值賦給該樣本，就可以得到該 engchi U. 樣本的屬性。更有用的方法是將不同距離的鄰居對該樣本產生的影響給予不同的權值。其演算法原理為訓練樣本是多維特徵空間向量，其中每個訓練樣本帶有一個類別標籤。演算法的訓練階段只包含存儲的特徵向量和訓練樣本的標籤。在分類階段，k 是一個用戶定義的常數。一個沒有類別標籤的向量將被歸類為最接近該點的 k 個樣本點中最頻繁使用的一類。一般情況下，將歐式距離作為距離度量，但是這只適用於連續變數。在文本分類這種離散變數情況下，另一個度量是重疊度量(或漢明距離)可以用來作為度量。 22. DOI:10.6814/NCCU202000034.

(26) 其特性有，KNN 是一種 memory-based learning，也叫 instance-based learning，屬於 lazy learning。即它沒有明顯的前期訓練過程，而是進程開始運行時，把數據集加載到內存後，不需要進行訓練，就可以開始分類。. (八) Bootstrap Aggregating Bagging 是通過組合隨機生成的訓練集而改進分類的整合演算法。從訓練資料中隨機抽取(取出後放回，n<N)樣本訓練多個分類器(要多少個分類器自己設定)，每個分類器的權重一致最後用投票方式(Majority vote)得到最終. 政治大. 結果，而這種抽樣的方法在統計上稱為 bootstrap。. 立. 其演算法原理為不同的訓練集是通過調整每個樣本對應的權重實現的，. ‧ 國. 學. 不同的權重對應不同的樣本分佈，而這個權重為分類器不斷增加對錯分樣本的重視程度。首先賦予每個訓練樣本相同的初始化權重，在此訓練樣本分佈. ‧. 下訓練出一個弱分類器；利用該弱分類器更新每個樣本的權重，分類錯誤的. y. Nat. er. io. sit. 樣本認為是分類困難樣本，權重增加，反之權重降低，得到一個新的樣本分佈；在新的樣本分佈下，在訓練一個新的弱分類器，並且更新樣本權重，重. n. al. Ch. 複以上過程 T 次，得到 T 個弱分類器。. engchi. i n U. v. 通過改變樣本分佈，使得分類器聚集在那些很難分的樣本上，對那些容易錯分的資料加強學習，增加錯分資料的權重。這樣錯分的資料再下一輪的迭代就有更大的作用（對錯分資料進行懲罰）。對於這些權重，一方面可以使用它們作為抽樣分佈，進行對資料的抽樣；另一方面，可以使用權值學習有利於高權重樣本的分類器，把一個弱分類器提升為一個強分類器。 Bagging 的優點在於原始訓練樣本中有噪聲資料(不好的資料)，透過 Bagging 抽樣就有機會不讓有噪聲資料被訓練到，所以可以降低模型的不穩. 23. DOI:10.6814/NCCU202000034.

(27) 定性。Bagging 可與其他分類、回歸算法結合，提高其準確率、穩定性的同時，通過降低結果的方差，避免過擬合的發生。. 第三節、深度學習簡介深度學習乃是機器學習的一門分支，也是目前機器學習發展方向之主流並且成長最快之領域，其概念乃是運用了 McCulloch& Pitts(1943)提出之人工神經網路(Artificial Neural Networks)之技術，透過模擬人類神經網路的運作方式，但一. 治政直受限於技術與硬體設備遲遲無法廣泛被使用，直到大2006 年 Hilton 提出了限制立玻爾茲曼機 (Restricted Boltzmann Machines, RBM)及深度信念網路 (Deep Belief. ‧ 國. 學. Network)的概念後，也就是深度學習的前身，才被廣泛使用。. ‧. 下面將舉一個例子來介紹深度學習。假設你有兩組神經元，一個乃是用來接. y. Nat. io. sit. 受輸入的數據，一個是發送輸出的數據。當輸入層接收到數據時，它將會透過一. er. 個函數轉換後傳遞給下一層(在深度神經網絡中，輸入層與輸出層之間會有許多. al. n. v i n 隱藏層)，而每一個神經元都代表著一個函數轉換後不斷傳遞到輸出層後顯示結 Ch engchi U 果。. 發展至今，目前已有許多深度學習之方法如：深度神經網路 DNN(Deep Neural Network)、卷積神經網路 CNN(Convolutional Neural Network)、遞迴神經網路 RNN(Recurrent Neural Network) 、長短期記憶 LSTM(Long short-term memory)……等方法。而深度學習應用於視覺辨識、語音識別、自然語言處理、生物醫學等領域，取得非常好的效果。而下面則將分別介紹常用之深度學習之各式模型及常用之深度學習之 API-TensorFlow 和 Keras。. 24. DOI:10.6814/NCCU202000034.

(28) 一、深度學習模型介紹 (一) 卷積神經網路 CNN(Convolutional Neural Network). 傳統的 DNN 於輸入資料時會忽略資料的形狀。例如：輸入影像資料時，其通常包含水帄、垂直、顏色之三維資訊，但傳統 DNN 於輸入時乃是帄面的，也就是一維的資料。舉例來說：如使用 DNN 來分類 MNIST 手寫數字集，其影像乃是是水帄垂直各為 28 pixels、顏色為 1，意即(1, 28, 28)的形狀，而將此資料輸入 DNN 時，其資料需轉為一維也就是會轉化為 784 的數據，而失去了資料原有的形狀。. 政治大. 立. ‧ 國. 學. 因此，如將此資料輸入 DNN 則會失去形狀之資訊，就代表失去了維度資料，如不同影像但擁有相似的維度及像素值，且 RGB 不同的 channel 之間也可能具. ‧. 有某些關連性、而遠近不同的像素彼此也應具有不同的關聯性，而這些資訊只有. y. Nat. n. er. io. al. sit. 在三維形狀中才能保留下來。. i n U. v. 而，Deep learning 中的 CNN 較傳統的 DNN 多了 Convolutional（卷積）及. Ch. engchi. 池化（Pooling）兩層 layer，其功用乃是用以維持形狀資訊並且避免資料量大幅增加。在加入此兩層後，我們所看到的架構就如下圖分別有兩層的卷積和池化層，以及一個全連結層（即傳統的 DNN），最後再使用 Softmax activation function 來輸出分類結果。. 25. DOI:10.6814/NCCU202000034.

(29) 政治大. 圖 2-3 深度神經網絡架構. 立. ‧ 國. 學. (二) 長短期記憶法(Long short-term memory). 長短期記憶法乃是遞迴神經網路 RNN 的一種，乃是(Hochreiter & Schmidhuber,. ‧. 1997)所提出之方法。其模型有效解決 RNN 之梯度消失及爆炸之問題，以及解決. y. sit. io. al. er. 現。. Nat. 長期依賴(Long-Term dependencies)的文題，因此在較長的數據數列上有較好的表. v. n. LSTM 之架構如同錯誤! 找不到參照來源。，神經元最上面之直線串連每一. Ch. engchi. i n U. 個神經元，紀錄每一個神經元的狀態，而 Sigmoid 的作用則是用來使 LSTM 有能力刪除神經元狀態中的訊息，Sigmoid 層會輸出 0~1 的數字，使其決定有多少訊息應該被通過，0 則表示該訊息完全不通過，1 則表示完全通過。第一個 Sigmoid 層被稱作遺忘門(Forget Gate Layer)，透過此層將決定怎樣的訊息會被遺忘，如 Sigmoid 為 1 則表示完全保留，0 則表示完全遺忘。第二步則分為兩部份，Sigmoid 將決定要更新的數值，然後 tanh 層則會生成一個新的數值使其被加入該神經元中，並將其組合成新的狀態值被稱為輸入門(Input Gate. 26. DOI:10.6814/NCCU202000034.

(30) Layer)，透過此層決定在此神經元該保存之訊息。最後，則是透過 Sigmoid 層及 tanh 相乘後決定輸出的數據。. 立. 政治大圖 2-4 LSTM 之架構. ‧. ‧ 國. 學. (圖片來源:http://colah.github.io/posts/2015-08-Understanding-LSTMs/). 二、 TensorFlow 介紹. y. Nat. er. io. sit. Tensorflow 乃是 Google Brain Team 所開發之深度學習 API，並且至 2015 年 11 月時開放源代碼，使所有人都可以使用 Tensorflow 的深度學習 API。Tensorflow. al. n. v i n Ch 因乃係較為低階的深度學習 API，因此許多底層運算如：張量乘積、卷積等底層 engchi U 的操作乃需自行建構。也因此，Tensorflow 之好處乃是可以自行建構各式各樣之深度學習模型；但缺點則是需要花費許多時間編寫更多程式碼。因此許多人便以 Tensorflow 為基底開發了許多高階之深度學習 API，下面將簡述 Tensorflow 的功能。 Tensorflow 的概念正係使用數據流圖(dataflow graph)來表示算法，因此在使. 用 Tensorflow 之前，須建立一個數據流程再將數據(數據乃是以張量(Tensor)的形式存在)放入數據流程中計算。其中流程中節點(Nodes)表示數學操作，Edges 則. 27. DOI:10.6814/NCCU202000034.

(31) 表示 Nodes 相互連結的數據(即張量)，因此進行訓練時，張量會不斷從數據流程中的一個節點 Flow 到另一個節點，也是 Tensorflow 名字的由來。而上文所提到之 Tensor 乃是一種幾何實體又稱為張量，0 維的張量為純量； 1 維的則為向量；2 維的則為矩陣。Flow 則是一種資料流程。下面將對以 Tensorflow 為基礎建構之高階 API-Keras 進行介紹。. 三、 Keras 介紹. 立. 政治大. Keras 乃是用於建構及訓練深度學習模型的高階 API 之一，Keras 的好處在. ‧ 國. 學. 於使用者只需處理模型的建立、訓練及預測，許多底層的運算則是由 tensorflow. ‧. 或 theano 等較為初階之 API 完成。. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 2-5 Keras 深度學習模型 (圖片來源：Tensorflow+keras 深度學習人工智慧實務應用). 也因此 Keras 在設計模型、高級研究上具有以下優勢： 1.. 方便用戶使用：Keras 乃是針對人類設計之 API，因此具有針對常見之例子做出的簡單且一致之介面。並可以針對錯誤提供可行之反饋意見。. 28. DOI:10.6814/NCCU202000034.

(32) 2.. 模組化：將可組合再一起的模組連接在一起而建構 Keras 之模型，並且幾乎不受限制，如：損失函數、優化器、繳活函數…等。易於擴展：可以編寫自定義之模組，並且可以創建新層及損失函數並開發先進之模型。. 立. 政治大. 學 ‧. ‧ 國 io. sit. y. Nat. n. al. er. 3.. Ch. engchi. i n U. v. 29. DOI:10.6814/NCCU202000034.

(33) 第三章、旅館業之專案介紹第一節、旅館業之專案一、介紹投資項目投資旅遊目的地，近兩年已經成為熱門議題，也成就了中國民營企業家“走出去”的夢想。大批民營企業大手筆境外收購，代表了中國民營資本對旅遊市場的看好。然而，在太帄洋西部，卻有一片尚未開發完全的藍洋，如地球藍寶石般，一年四季如夏，風景秀美。它，就是圔班島—世界著名旅遊度假勝地。. 政治大圔班（Saipan）是太帄洋的美國北馬里亞納群島自由邦（“CNMI”）的首府，立. ‧ 國. 學. 也是群島主要旅遊目的地。過去 4 年間，圔班旅客數年均增長 9.45%，其中中國. ‧. 旅客數量增長 3 倍多，年複合增長率達 50%。根據當地旅遊部門預測，2020 年. y. Nat. al. er. io. sit. 圔班旅客數可達到 100 萬人。圔班現有星級酒店房間約 2500 間，帄均入住率約. n. 88%。預計未來酒店數達到 8000 間。. Ch. engchi. i n U. v. 目前中國有上海、北京、成都、廣州、香港每周 14 個航班包機直飛圔班，將會增加杭州、沈陽、濟南航線。航班數量受制於圔班酒店房間數而無法增加。建設中圔班酒店建設項目有：博華太帄洋 BSI 賭場度假酒店（365 個房間）。香港 Honest Profit 酒店項目（350 個房間）、Saipan Travel Inc. 酒店項目（600 個房間）、韓國 Eland 旗下肯辛頓酒店已於 2016 年 7 月開業（313 個房間），還有巨大酒店房間缺口需要建設。博華太帄洋國際控股有限公司於 2014 年進駐圔班島，將投資不少於 30 億美元興建及經營包括博彩設施在內的酒店及綜合度假村。博華正在建設圔班當地最. 30. DOI:10.6814/NCCU202000034.

(34) 大的賭場（目前其臨時賭場每月轉碼數超過 15 億美元），可以預見未來三到五年將會有四五個大型賭場娛樂綜合體和酒店項目開業，將會打造一個太帄洋上的 “新澳門”。圔班博彩娛樂中心及中高端度假酒店在建成以後，將吸引越來越多的世界遊客前來感受圔班的文化和風情，這也定將掀起新時期投資美國海外海島的熱潮。目前，圔班太帄洋發展公司已與中國建築等達成戰略合作夥伴關系，同時其關聯公司頌城有限公司持有多塊土地使用權可供開發，並希望以股權融資引入專業投資者，憑借其資源優勢以及當地項目開發經驗。. 治政大以下為美國北馬.圔班投資的亮點：立旅遊勝地，度假天堂. 學. ‧ 國. 1.. 圔班島屬於熱帶海洋氣候，擁有全球最穩定的氣溫，是全球最美麗的島. ‧. 嶼之一，適合潛水，還擁有四個國際級標準高爾夫球場，獨具魅力的島嶼高. sit. y. n. al. er. 離亞洲最近的美國領土，安全可控性. io. 2.. Nat. 爾夫體驗，外加全球知名高端酒店品牌聚焦圔班，蜂擁而至。. i n U. v. 圔班島位於西太帄洋的北馬里亞納群島，是離亞洲最近的美國領土，政. Ch. engchi. 治和法律體系健全穩定，旅遊及投資安全有所保障。此外，鄰近主要目標市場，持中國·歐洲。日韓，臺灣，香港護照著免簽證。 3.. 博弈產業北馬里亞納擁有美國博彩協會認可的合法賭牌，已有多家國際博彩集團. 正在或計劃建設賭場及娛樂配套，當地博彩業的蓬勃發展，將成為西太帄洋上的拉斯維加斯，當地仍有賭牌名額可供申請。. 31. DOI:10.6814/NCCU202000034.

(35) 4.. 稅收優惠可通過 Qualifying Certificate Program 申請 5 至 25 年免稅政策，博彩稅. 為 13%，遠低於澳門 40%，無房產稅和購物免稅。5%的營業稅可用於抵扣企業所得稅，有機會獲得高達 50%的抵扣。 5.. 經驗豐富的國際級管理團隊及當地政府支持經營管理團隊經驗豐富，團隊兼具中西方背景，有效利用美國及中國地. 產開發經驗，良好的地緣關系，一站式政府報審流程。. 二、. 政治大投資潛力與需求分析立. ‧ 國. 學. (一) 中國成為圔班島旅遊業的重要驅動因素. 圔班島是北馬里亞納群島的重要旅遊目的地。過去4年間，圔班旅客人. ‧. 數年均增長9.1%～48萬人。圔班極佳的環境及得天獨厚的地理位置，以及對. y. Nat. n. al. er. io. 增長率達40.6%. sit. 中國實行落地簽證政策，使得過去四年間中國旅客數目增長3倍多，年複合. Ch. engchi. i n U. v. 圖3-1乘飛機抵達CNMI旅客總數量分析. 32. DOI:10.6814/NCCU202000034.

(36) (二) 圔班島接待能力成為瓶頸 CNMI 的酒店業在旅客持續增長下，房價及入住率均表現良好，2013 第一季入住率、帄均房價及帄均房間收入皆達歷史高位（見下圖）。CNMI 尚無綜合度假村，僅有 2,963 間酒店房間，其中圔班 2,551 間。豪華客房緊缺，5 星級酒店房只占房間總數的 10%左右。未來 18 個月內，約有 1,015 間豪華酒店的增量。. 政治大. 立. ‧. ‧ 國. 學. 圖 3-2 CNMI 酒店表現 HANMI*帄均房價及入住率/月度帄均入住率. sit. y. Nat. io. al. er. (三) 中國高淨值人群需求調查分析. n. 本項目投資建設的中高端酒店公寓主要面向全球高淨值人群，作為圔班島最大. Ch. engchi. i n U. v. 的旅遊消費國以及入境免簽國家的中國，分析其高淨值人群在旅遊、海外置業等方面的需求具有典型性。截至 2014 年 9 月末，中國高淨值人群約 6.7 萬人，比上一年度增加了 2500 人，上升比例為 3.9%。2009 年至 2012 年，高淨值人群規模快速增長，每年增長比例均超過 5%。受經濟下行因索影響，2013 年增長率僅有 1.6%，漲幅為 5 年來最小，而 2014 年又有所回升。. 33. DOI:10.6814/NCCU202000034.

(37) 高淨值人群主要由三部分人群構成：企業主：企業的擁有者，占 80%，大約 5.4 萬人；炒房者：主要指投資房地產，擁有數套房產的人，占 15%，大約 1 萬人；職業股民：收益主要來自股票投資人，占 5%，大約有 3350 人。休閒度假和環遊世界成為高淨值旅遊者未來三年最期望的旅遊主題，分別占 42%和 36%，其次是近年來熱度上升迅速的極地探索（32%）和輕度冒險（32%），可見高淨值旅遊者在嘗詴新鮮事物和挑戰自我極限之餘，更希望在旅遊度假中獲得身心的放鬆。圔班島作為著名的世界級旅遊修養勝地，可以滿足其休閑度假、極地探索的夢想。. 治政大在五大熱門國家中，美國是半數以上高淨值旅遊者去過次數最多的國家，立. 帄均每人已去過 5 次，5～10 次的占到 34%，人均計劃未來三年內再去 2 次；. ‧ 國. 學. 單次旅遊時長帄均 11 天，9～15 天的占到 45%，高淨值旅遊者十分青睞去美. ‧. 國旅遊，因此美國是極具潛在開發價值的旅遊目的地，圔班島作為距離亞洲最. sit. y. Nat. 近的美國領土，其潛在開發價值尤為重要。休閒度假是去美國旅遊的主要原因，. n. al. er. io. 占 75%，其次是商務（33%）和探親訪友（20%），購物和美食的影響不大；. i n U. v. 72%的超級旅遊者和佳人一起去美國，58%和朋友；帄均單人單次消費預算 7. Ch. engchi. 萬人民幣，2～10 萬人民幣預算的占 7 成以上。總體看來，高爾夫、遊泳和跑步是富豪最推崇的運動項目，尤其對男性而言。女性富豪一直最愛瑜伽，今年選擇瑜伽的比例離達 27%，其次是高爾夫。圔班島高爾夫球場選擇多多，勞勞海灣高爾夫球俱樂部是密克羅尼亞最大的高爾夫球場，可以滿足高爾夫球愛好者極佳的體驗。. 34. DOI:10.6814/NCCU202000034.

(38) 圖 3-3 未來三年夢想的旅遊主題分析. (四) 圔班島酒店行業及娛樂行業百廢待興. 政治大. 與得天獨厚的旅遊資源相比，圔班島旅遊產業開發和建設十分匱乏。不. 立. 斷攀升的旅行需求對圔班酒店、公寓、醫院等基礎設施、娛樂專家和接待能. ‧ 國. 學. 力提出了更高的要求。在圔班，海景酒店一般集中在島嶼西側海灘附近，沿. ‧. 著海濱陸續排開，尤其以加拉班和思節浦兩個區域最為密集。據中國商務新. sit. y. Nat. 聞網報道，圔班島整體仍保留 70 年前的酒店建設水準，既沒有大型商業酒. io. al. er. 店，也沒有大型零售和娛樂設施。盡管如此，圔班的酒店行業在房價及入住. n. 率方面仍表現非常搶眼。圔班現有星級酒店房間約 2500 間，帄均入住率約. Ch. engchi. i n U. v. 88%。根據旅客數增長預測需要酒店房間數達到 8000-10000 間。事實上，掣肘因素中最主要的就是酒店客房數量緊缺。北馬里亞納州旅遊局官方資料顯示，目前圔班島僅有酒店 5 家 3-4 星級酒店，2900 個房間，2500 張床。飽和狀態下接待能力也不足 5000 人次，且設施相對陳舊，完全無法滿足每年劇增的旅遊需求，遊客預訂酒店往往需要提前 2-3 個月。博華太帄洋國際圔班娛樂旅遊專案 Best Sunshine 首席執行官 Mark Brown 表示，專案預計 2020 年全面開業迎客，並有望每年吸引逾 220 萬名中國遊客。酒店供. 35. DOI:10.6814/NCCU202000034.

(39) 求的不帄衡一方面凸顯了圔班旅遊的困境，另一方面也為本專案酒店開發提供了巨大商機。世界級的高端高爾夫球場在圔班島可是選擇多多，而且每個球場都是經過精心設計的，在這里，不論是初學者還是球場老手，人人都能在此一享揮桿之樂！在宏偉寬闊的大自然中揮桿，心情放松的您或許還可以締造相當不錯的成績。更值得一提的是經常會有高爾夫賽事活動在這里舉行。. 三、專案風險分析 (一) 工程環境風險. 立. 政治大. 專案風險分析是認識專案可能存在的風險因素，估計這些因素發生的可能性. ‧ 國. 學. 及由此造成的影響，研究防止或減少不利影響而采取對策的一系列活動。. ‧ sit. y. Nat. (二) 法律及政策風險. n. al. er. io. 圔班遵循美國以及北馬亞那群島聯邦政府法律政策，項目團隊熟悉圔班項目. i n U. v. 開發流程，熟悉美國以及北馬裏亞那群島聯邦政府法律政策，通過當地律師的協. Ch. engchi. 助及當地政府對項目的大力支持可以將法律風險降至最低。. (三) 工程環境風險圔班按照美國環保要求嚴格保護自然環境，對於開發流程提出了很高的環保要求。項目團隊具備豐富的當地建設經驗，熟悉支付環保的要求，熟悉各項工程批準的流程，可以預先避開環保風險。. 36. DOI:10.6814/NCCU202000034.

(40) (四) 建設風險項目所需資金比龐大，資金安排必須詳細可靠。資金需按照計劃到位，避免由於資金不足 i 項目造成不利影響。項目為海外海島項目，遵循美國以及北馬裏亞那群島聯邦政府標準，建設標準要求高，建設難度比較大，需要有相應經驗的建設單位才能勝任。選取合適的建築單位將會降低建設風險。. (五) 市場風險項目建設經常會遇到市場常見的市場風險和市場競爭，由於圔班市場需要處. 治政大於一個上升期，因此市場競爭風險不大。同事準確的市場定位和周密的市場銷售立計劃將把市場風險降低。. ‧. ‧ 國. 學. (六) 組織管理風險. sit. y. Nat. 圔班項目不同於中國項目，需要具備海外項目經驗。團隊成員都具備國際視. n. al. er. io. 野和海外項目經驗，特別是具備當地項目經驗，可以有效降低組織管理風險。. (七) 人力資源風險. Ch. engchi. i n U. v. 圔班工作需要美國 CW 或 H 類工作簽證，團隊已多次和當地勞工局及移民規劃局溝通，了解簽證申請辦理要求，確保項目建設及運營時工作簽證的需求。. (八) 財務風險與應對措施建立嚴格的財務管理制度，監督項目建設的全流程，通過開源節流（控制成本、推動銷售）手段保證財務健康有序。. 37. DOI:10.6814/NCCU202000034.

(41) 四、結論圔班島作為距離亞洲最近的美國知名度假勝地，有著十分豐富的歷史文化、自然旅遊資源，如今被戰爭打上的悲傷烙印己經漸漸消散，美麗的島嶼以舉世聞名的“七色海”、細白如面的沙灘和眾多二戰時期遺留的歷史遺跡深深吸引著全世界的遊客。同時，作為自由港政策的關稅隔離區，其免簽證、稅收減免、美國 EB-5 移民政策掀起了全世界對圔班島的投資熱潮。北馬里亞納擁有美國博彩業協會認可的合法賭牌，其中圔班一張，投資建設本項目即可申請北馬唯一的運動博彩賭牌。再加上當地政府的大力支持、開發團隊一. 治政站式服務使得本專案具有非常巨大的投資潛力。大立. 從市場需求可以看出，圔班旅遊市場非常具有潛力，過去 4 年間，赴圔班旅遊的. ‧ 國. 學. 外國遊客人數帄均增長 9.45%， 2015 財年增至 44 萬余人。但是，與得天獨厚的. ‧. 旅遊資源相比，圔班島旅遊產業開發和建設十分匱乏。不斷攀升的旅行需求對圔. y. sit. n. al. er. io. 顯得尤為迫切。. Nat. 班酒店、公寓等基礎設施和接待能力提出了更高的要求，這使得投資建設本專案. i n U. v. 《2014 匯加顧問•胡潤移民與中國高淨值人群調研報告》顯示，房地產穩居高. Ch. engchi. 淨值人群投資類別榜首同時也是海外投資的最熱之選，本專案中所建設的花園別墅可以很好的滿足高淨值人群度假、海外置業等需求，市場前景廣闊。綜上，投資旅遊目的地，已經成為國際化常熱議題。從投資潛力和投資需求層面綜合考慮，圔班島己經成為旅遊相關產業戰場上的“兵家必爭之地”。所以，本專案具有良好的投資價值。. 38. DOI:10.6814/NCCU202000034.

(42) 第四章、實證分析第一節、介紹資料一、資料來源本篇論文使用之資料集來源是 Kaggle，Kaggle 是一個數據建模和數據分析競賽帄台。企業和研究者可在其上發布數據，統計學者和數據挖掘專家可在其上進行競賽以產生最好的模型。Kaggle 的目標則是詴圖通過眾包的形式來解決這一難題，即有眾多策略可以用於解決幾乎所有預測建模的問題，而研究者不可能. 政治大在一開始就了解什麼方法對於特定問題是最為有效的。Kaggle 的數據涉及領域立. ‧ 國. 學. 涵蓋了計算機科學、計算機視覺、生物、醫藥、甚至冰川學等等。本篇論文使用之資料集名稱為 515K 酒店評論歐洲數據(515K Hotel Reviews Data in Europe)，數. ‧. 據來自 Booking.com，文件中的所有數據都已公開給所有人。. er. io. sit. y. Nat 二、資料內容. al. n. v i n Ch U 家豪華飯店的評分，還提本資料集包含 515,000 條顧客評論和全歐洲 e n g c h i 1493. 供飯店的地理位置以供進一步分析。原始資料的特徵欄位共 17 個，包括以下： 1.. 酒店地址（Hotel_Address）. 2.. 額外評分（Additional_Number_of_Scoring）. 3.. 評論日期（Review_Date）. 4.. 帄均分數（Average_Score）. 5.. 酒店名稱（Hotel_Name）. 6.. 評論者國籍（Reviewer_Nationality）. 39. DOI:10.6814/NCCU202000034.

(43) 7.. 負面評論（Negative_Review）. 8.. 負面詞之字數（Review_Total_Negative_Word_Counts）. 9.. 總評論數（Total_Number_of_Reviews）. 10. 正面評論（Positive_Review） 11. 正面詞之字數（Review_Total_Positive_Word_Counts） 12. 評論者之評論次數（Total_Number_of_Reviews_Reviewer_Has_Given） 13. 評論分數（Reviewer_Score） 14. 標籤（Tags）. 治政大 15. 間隔時間（days_since_review）立 16. 緯度（lat）. ‧ 國. 學. 17. 經度（lng）. ‧. 17 種特徵欄中有 4 個以浮點數(float64)型態表示的數值變數；5 個以整數. y. Nat. n. al. er. io. sit. (int64)型態表示的數值變數，以及 8 個以物件(object)型態表示的類別變數。. Ch. engchi. i n U. v. 40. DOI:10.6814/NCCU202000034.

(44) 第二節、分析資料一、視覺化分析圖 (一) 飯點地點分佈圖該資料集來自於 Booking.com，顧客對對飯店給予評論，而飯店分佈於歐洲的六個國家，分別是倫敦、荷蘭、法國、義大利、奧地利、西班牙，地圖分佈圖表示如下：. 立. 政治大. ‧. ‧ 國. 學. n (二) 關係矩陣圖. Ch. engchi. er. io. sit. y. Nat. al. 圖 4-1 飯點地點分佈圖. i n U. v. 將正、負面評論的字數、評論者評論數、飯店總評論述、評論分數，倆倆計算其相關係數。結果顯示負面文字的影響評分的程度比正面強烈，負面評論字數越多，分數越低；相反的，正面評論字數越多，分數越高，而其他因素對評論分數影響不大。. 41. DOI:10.6814/NCCU202000034.

(45) 學. ‧ 國. 立. 治政圖 4-2 關係矩陣圖大. (三) 評論者之國籍分佈圓餅圖. ‧. 評論者的國籍總共有 227 個國家，我們將國家按各州劃分，畫成圓餅圖. sit. y. Nat. （如下圖），其中歐洲給予評論最多，可能飯店所在地位於歐洲，所以所以. io. n. al. er. 顧客也多來自於歐洲，而南美洲給予評論相較偏少。. Ch. engchi. i n U. v. 圖 4-3 評論者之國籍分佈圓餅圖. 42. DOI:10.6814/NCCU202000034.

(46) (四) 各國評論者給評論次數之長條圖統計各國給予評論的次數，將其畫成長條圖作比較，從下圖觀察，發現英國的的評論次數最多，將近二十五萬筆評論，其餘國家都不到都不到五萬筆評論。. 政治大. 立. ‧. ‧ 國. 學. 圖 4-4 各國評論者給評論次數之長條圖. er. io. sit. y. Nat. al. n. (五) 各國評論者給分情況. Ch. engchi. i n U. v. 將評論者按各州劃分，計算評論分數的帄均（紅線），加減一個標準差（黑線），其中南美洲給分相較高，而亞洲給分較低。. 圖 4-5 各國評論者給分情況 43. DOI:10.6814/NCCU202000034.

(47) (六) 飯店正負評論字數分佈圖計算各飯店之正負面評論字數，結果顯示正負評字數差不多，大約都 20 個字左右。. 立. 政治大. ‧ 國. 學. n. al. er. io. sit. y. Nat 二、訓練模型. ‧. 圖 4-6 飯店正負評論字數分佈圖. (一) 文本分析基本原理. Ch. engchi. i n U. v. 在理解一段文字時，我們通常是從中獲取資訊，從詞性的角度來解讀一段敘述，能有效的分辨各個詞的資訊量。沒有提供資訊的詞，主要為連接詞、感嘆詞、稱謂、量詞等；有提供資訊的詞不外乎是名詞、形容詞、動詞。. 舉例來說，「In class, I have a good day with my classmate in the math class」，有資訊的詞為：have、good、day、classmate、math、class ；沒有意義的詞為：I、a、with、my、in、the。因此，自然語言分析(NLP)之基本原理就是將有資訊的詞篩選出來，並且用統計的角度去分析詞的出現次數與. 44. DOI:10.6814/NCCU202000034.

(48) 頻率。計算每個詞在一筆資料的出現次數(後稱 TF)，及在所有資料中出現在資料的次數(後稱 IDF)，相乘為一個數值稱之 TF-IDF，用以代表該詞在每筆資料的重要程度。舉上面的例子，class 的 TF 值為 2(出現兩次)，其他詞的 TF 值為 1。可以看出 class 跟這段敘述的主題，有相對較高的相關性。而這裡只有一個舉例，所以沒有辦法與其他例子的出現頻率做比較。因此各個詞語的 IDF 值皆相同。簡單來說，每一個詞在每筆資料，都有屬於他的 TF-IDF 值。因此 TF-IDF 傾向於過濾掉常見的詞語，保留重要的詞語。(TF 高，表示在. 治政大文章裡重要；IDF 高，表示他只獨特存在於該資料中，代表該資料與主題有立強烈相關性。). ‧. ‧ 國. 學. (二) 分析結果. y. Nat. er. io. sit. 本論文採用資料約為 55 萬筆，並使用 sklearn 提供的 train_test_split 套件，隨機挑選其中之 20%作為訓練集資料，用以訓練模型，其餘 80%資料. al. n. v i n Ch 則做為測詴集資料。為求運行效率，又將剩下的資料分成三堆資料數相差不 engchi U 遠的測詴集，已分別進行測詴。. 表 4-1 各資料集的 MAE 數據. 45. DOI:10.6814/NCCU202000034.

(49) 由表 4-1 結果可以看出，變異程度(MAE)足夠小，模型與預測結果皆可被使用。而四個資料集的變異程度接近，可以說明該模型適用於所有資料集，且各資料集之間並無太多不同的特性。因此，此模型訓練成功。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 4-7 評論重要字詞的排名排序. 46. DOI:10.6814/NCCU202000034.

(50) 上圖是評論字詞的重要性的排名的排序，前面 TF-IDF 轉換器我們設定要找前 10000 個重要字詞，精確度較高。我們專注在前 50 重要的字詞，分別看名詞、形容詞，可以看出飯店的重要因素，以及顧客會關注的感受。可以推測出，旅客在選擇飯店時，會看重價格(money)、房間樣式(room)、地點(location)、以及員工(staff) 這幾個重要因素，以及給人的感受。. 接下來，分別看正面評論、負面評論的情緒分析，可以分別得知他們想要的、以及不想要的感受。從正面評論中，staff、location、hotel、room、service. 政治大. 為前五大重要因素，而旅客主要喜歡有 excellent、amazing、comfortable、. 立. beautiful、loved、everything 的感覺；從負面評論中，room、staff、hotel、. ‧ 國. 學. money、bathroom、bed 為前五大重要因素，而旅客主要不想要有 dirty、old、 rude、small、nothing 的感覺。. ‧. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 表 4-2 正負面評論的情緒分析. 47. DOI:10.6814/NCCU202000034.

(51) 綜合評論分析結果，我們發現要經營好一個飯店，房間的環境跟員工的服務態度是最重要的兩大因素。便利的地點跟良好的服務態度，會提升旅客對飯店的印象，進而有舒適、被愛、充實、經驗等美好體驗，也會因此不在意價格的高低。頗析正面的感受用詞，能發現好的感受通常是全面性的、整體性的用詞，並無太多詳細的刻劃。因此，若要給旅客好的感覺，請記得特別注重飯店的整體一致性，尤其是房間與員工的整體規劃。. 另一方面，較差的環境與惡劣的服務態度，旅客通常會歸咎於外在因素，. 政治大. 不會責怪自己難搞。房間部分，髒亂、過於狹小、單一無裝飾、過於老舊、. 立. 以及員工部分的服務態度不佳，都是旅客在入住飯店時，最能直接的負面感. ‧ 國. 學. 受。當對飯店有負面情緒時，更會激起旅客對價格的注意，認為自己的花費並沒有得到相應的回報。. ‧ sit. y. Nat. 因此，即使飯店整體規劃再好，再旅客最直接接觸的人(員工)、事(服務). n. al. er. io. 以及物(房間)方面，若無維持好品質，便功虧一簣。一個飯店要獲得好的評. i n U. v. 價，除了顧好房間及服務品質，更要創造良好的整體感，便能成功取悅旅客。. Ch. engchi. 48. DOI:10.6814/NCCU202000034.

(52) 第五章、結論根據本篇研究之自然語言處理、數據分析之結果，便能了解到哪些因素會影響到顧客對顧客對飯店的評論，進而影響到評論分數的高低。如果顧客感到位置便利、環境舒適、心情愉悅等等正面感受，就會獲得好評；如果顧客感到環境髒亂、設備老舊、房間狹小等等負面感受，就會獲得負評。因此，飯店管理應著重於地理位置的便利性、飯店的房型和格局，以及專業的服務態度，以增加顧客正向評價。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 49. DOI:10.6814/NCCU202000034.

(53) 參考文獻林大貴(2017)。Tensorflow+keras 深度學習人工智慧實務應用。新北市：博碩。. 人工智能. (n.d.).In Wikipedia.，上網日期 107 年 11 月 25 日，檢自: https://wiki.mbalib.com/zh-tw/人工智能. 蕭佑和(2018).完整解析 AI 人工智慧：3 大浪潮＋3 大技術＋3 大應用，上網日期 107 年 11 月 25 日，檢自:https://meethub.bnext.com.tw/完整解析 ai 人工智慧：3 大浪潮＋3 大技術＋3 大應用. 立. 政治大. c.s.blog.2017.Understanding LSTM. ‧ 國. 學. Networks,from:http://colah.github.io/posts/2015-08-Understanding-LSTMs/. Entrepreneur Network.(2018/1/18).10 Artificial Intelligence Trends to Watch in. Nat. sit. y. ‧. 2018.fromhttps://www.entrepreneur.com/article/307589. io. er. Géron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow:. al. concepts, tools, and techniques to build intelligent systems: " O'Reilly Media, Inc.".. n. v i n C hN. c. (1997). LongUshort-term memory. 9(8), Hochreiter, S., & Schmidhuber, J. J. engchi 1735-1780.. Jacques Bughin, Eric Hazan, SreeRamaswamy, Michael Chui, TeraAllas, Peter Dahlström, Nicolaus Henke, and Monica Trench(2017). How artificial intelligence can deliver real value to companies,from https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/how-a rtificial-intelligence-can-deliver-real-value-to-companies. M. Abadi, A. Agarwal et al., "Tensorflow: Large-scale machine learning on heterogeneous distributed systems", 2016. 50. DOI:10.6814/NCCU202000034.

(54) PwC (2017).Sizing the prize What’s the real value of AI for your business and how can you capitalise?,fromhttps://www.pwc.com/gx/en/issues/analytics/assets/pwc-ai-analysis-si zing-the-prize-report.pdf. Sebastian RaschkaVahidMirjalili (2015). Python Machine Learning.Birmingham :Packt Publishing Ltd. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 51. DOI:10.6814/NCCU202000034.

(55)