簡易檢索 / 詳目顯示
| 研究生： |
陳俊龍 Chen, Chung-Lung |
|---|---|
| 論文名稱： |
以情緒分析與腦波為基礎之影片推薦系統 A Video Recommender System Based on Sentiment Analysis and Brainwaves |
| 指導教授： |
陳灯能
Chen, Deng-Neng |
| 學位類別： |
碩士 Master |
| 系所名稱： |
管理學院 - 資訊管理系所 Department of Management Information Systems |
| 畢業學年度： | 106 |
| 語文別： | 中文 |
| 論文頁數： | 61 |
| 中文關鍵詞： | 腦電波 、推薦系統 、情緒分析 、自然語言 |
| 外文關鍵詞： | EEG, Recommendation system, Logistic regression, NLP |
| DOI URL： | http://doi.org/10.6346/THE.NPUST.MIS.009.2018.F08 |
| 相關次數： | 點閱：97 下載：2 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 |
科技資訊技術的日新月異，所有人都可以透過網際網路傳遞資訊，隨著網際網路上數據的增加，進而造成使用者在網際網路上尋找資訊的困難，產生了資訊超載的問題。目前可以透過資訊擷取與資訊過濾來解決使用者的困擾，透過使用者的瀏覽紀錄，進而主動向使用者推薦內容，節省使用者查詢的時間。本研究將以影片推薦為例，透過收集使用者的腦電波訊號，與影片相關評論進行結合，增加推薦項目的深度，推薦出更加符合使用者期待的項目。本研究運用羅吉斯迴歸建立腦波－偏好關聯模型，接著以自然語言處理來分析相關評論之情緒，再將兩者進行合併建立推薦系統，實驗結果顯示結合腦波訊號與影片評論情緒分析之推薦系統可以得到良好的推薦結果。
With advanced of Information Technology, everyone can upload and retrieve data on the Internet. There is too much data on the internet that make user is hard to find the necessary data on the internet. This issue is called Information Overloading. Through the recommender system recommend items for users can make users spending less time to find the necessary information on the internet. The recommender system collected the user’s behaviors, and by the user’s behaviors to recommend the items to the users they are interested in. In this research, we collected the brainwave signal by EEG and the comments from the videos, and then develop a recommender system based on the comment and EEG signals. Through this recommender system, the user can get the information more correspondingly. We used Logistic regression to construct the EEG-Preference model, and then combining with the analysis results that the comment’s sentiment by the Natural Language Processing. This recommender system will according to the user’s EEG-Preference model and the sentiment of the video’s comments to recommend the items to users. The experimental results show that the recommender system combined with brain wave signal and sentiment analysis of the videos’ comments can get good recommendation results.
摘要 I
Abstract II
謝誌 III
目錄 IV
圖目錄 VII
表目錄 IX
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機與目的 4
第二章 文獻探討 6
2.1 腦波 6
2.2 自然語言處理 12
2.2.1 中文自動分詞 12
2.2.2 詞向量 13
2.2.3 TF-ID詞頻分析 14
2.2.4 情緒分析 14
第三章 系統架構 17
3.1 實驗一：找尋腦波及偏好的關聯模型 17
3.1.1 腦波收集模組 18
3.1.2 影片播放模組 18
3.1.3 偏好模組 19
3.1.4 評論模組 19
3.1.5 情緒分類器 19
3.1.5.1 斷詞模組 20
3.1.6 羅吉斯回歸 21
3.2 實驗二：建立推薦系統以及評估系統準度 22
3.2.1 腦波收集模組 23
3.2.2 偏好收集模組 23
3.2.3 腦波－偏好預測模型 23
3.2.3 腦波－偏好預測模型加入評論之情緒 24
第四章 實驗設計 25
4.1 研究設備 25
4.2 實驗資料 27
4.3 實驗前準備 30
4.4 第一階段實驗設計 32
4.5 第二階段實驗設計 35
第五章 資料分析 40
5.1 實驗環境 40
5.2 資料收集 40
5.3 第一階段實驗分析 41
5.4 第二階段實驗分析 51
第六章 結論 55
6.1 研究結果 55
6.2 研究貢獻 55
6.3 研究限制 56
6.4 未來展望 57
參考文獻 59
1. 維基百科，自由的百科全書（2001）。取自https://zh.wikipedia.org/wiki/Wikipedia（瀏覽日期2018/05/26）。
2. 中文斷詞系統（2011）。取自http://ckipsvr.iis.sinica.edu.tw （瀏覽日期2018/03/11）。
3. GitHub - fxsjy/jieba: 結巴中文分詞（2013）。取自https://github.com/fxsjy/jieba（瀏覽日期2018/03/11）。
1. 陳灯能, & 蘇柏銘. (2015). 結合腦波分析與內容導向過濾為基礎的文章推薦系統. 資訊管理學報, 22(2), 141-170.
2. 陳稼興, 謝佳倫, & 許芳誠. (2000). 以遺傳演算法為基礎的中文斷詞研究. 資訊管理研究, 2(2), 27-44.
3. 劉美君. (2016). 中文斷詞初探.臺大華語文教學研究, (4), 187-207.
4. 陳宗義, 巫啟豪, & 陳裕民. (2015). 馬斯洛需求理論為基之網路評論產品定位分析機制. 電子商務學報, 17(4), a1-32.
5. 陳金鈴, 黃傑霖, & 唐詠雯. (2014). 一種簡易量測睡前腦波值用以評估睡眠品質方法. 資訊科技國際期刊, 8(2), 52-58.
1. Pizzagalli, D. A. (2007). Electroencephalography and high-density electrophysiological source localization. Handbook of psychophysiology, 3, 56-84.
2. Belle, A., Hargraves, R. H., & Najarian, K. (2012). An automated optimal engagement and attention detection system using electrocardiogram. Computational and mathematical methods in medicine, 2012.
3. Hsu, W. Y. (2017). An integrated-mental brainwave system for analyses and judgments of consumer preference. Telematics and Informatics, 34(5), 518-526.
4. Chowdhury, G. G. (2003). Natural language processing. Annual review of information science and technology, 37(1), 51-89.
5. Liddy, E. D. (2001). Natural language processing.
6. Mikolov, T., Yih, W. T., & Zweig, G. (2013). Linguistic regularities in continuous space word representations. In Proceedings of the 2013 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (pp. 746-751).
7. Ramos, J. (2003, December). Using tf-idf to determine word relevance in document queries. In Proceedings of the first instructional conference on machine learning (Vol. 242, pp. 133-142).
8. Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and Trends® in Information Retrieval, 2(1–2), 1-135.
9. Hu, M., & Liu, B. (2004, August). Mining and summarizing customer reviews. In Proceedings of the tenth ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 168-177). ACM.
10. Gauba, H., Kumar, P., Roy, P. P., Singh, P., Dogra, D. P., & Raman, B. (2017). Prediction of advertisement preference by fusing EEG response and sentiment analysis. Neural Networks, 92, 77-88.
11. Blair, A. (2010). Information overload, then and now. The Chronicle of Higher Education, 57, 15.
12. Dimoka, A., Davis, F. D., Gupta, A., Pavlou, P. A., Banker, R. D., Dennis, A. R., ... & Kenning, P. H. (2012). On the use of neurophysiological tools in IS research: Developing a research agenda for NeuroIS. MIS quarterly, 679-702.
13. Léger, P. M., Sénecal, S., Courtemanche, F., de Guinea, A. O., Titah, R., Fredette, M., & Labonte-LeMoyne, É. (2014). Precision is in the Eye of the Beholder: Application of Eye Fixation-Related Potentials to Information Systems Research. J. AIS, 15(10), 3.
