What If imdb的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

結合以雙向長短期模型為基底之孿生神經網路與Word2Vec演算法應用於分類高維度資料集

為了解決What If imdb的問題，作者葉泇璇 這樣論述：

在網路十分普及的現代，各種資訊都變得更加巨量，新聞資料也是如此。在巨量新聞資料中，資料類別繁多，並且不同類別的資料數量差距很大，造成數量分佈的不平衡。若利用傳統的分類器處理這樣的資料時，往往會使數量較少的類別被錯判為數量較多的類別，造成閱讀上的困難。孿生變形雙向長短期記憶分類學習模型(Siamese Variant Bi-Directional Long Short-Term Memory, SVBi-LSTM)是一個解決此問題的優良方法，此方法能夠找出新聞資料當中的關鍵字詞，並比對這些關鍵詞的特徵相似性，以避免數量較少的類別因為特徵不明顯而被忽視之困境。但SVBi-LSTM受限於僅有兩個資

料輸入端，若要應用在更多維度的資料分類時，就需要將資料集垂直分割成兩個資料集分別輸入，降低輸入資料集的維度。本研究提出一個合併高相關係數屬性以進行降維的方法。在資料預處理時，利用Word2Vec演算法將資料集的所有文字產生詞向量，針對各個屬性的詞向量進行算術平均後，計算皮爾森相關係數(Pearson’s correlation coefficient)並得出相關係數矩陣，最後將所有屬性依相關係數高低分群成兩個屬性組合，達到降低維度的目的。本研究於模擬實驗中採用了兩個資料集作為驗證新方法的可行性。實驗結果顯示，本研究提出的方法針對第一個資料集(News Category Dataset)之屬性分

群降維，將垂直分割後的兩個資料集分別作為SVBi-LSTM的兩個輸入端，SVBi-LSTM經過訓練後其精確率相較於以其他的屬性分群組合作為訓練資料集之SVBi-LSTM可提升約4%；針對第二個資料集(IMDb Movies Extensive Dataset)採用了同樣降維切割後分別輸入SVBi-LSTM，訓練後的SVBi-LSTM其精確率也比以其他的屬性分群組合作為訓練資料集之SVBi-LSTM還要高出5%。兩項實驗證明本研究提出的新方法會使多維度資料集應用在SVBi-LSTM上有更好的表現。

應用情感分析技術於電影評論分類與評分系統 — 以Yahoo!奇摩電影為例

為了解決What If imdb的問題，作者蔡廷儀 這樣論述：

在近十年內，網際網路迅速的竄起，與80年代當時的web2.0尚未普及使用相比，人與人之間的交往模式從寫信給特定想發送的對象，至今慢慢地轉為傾向於自願性的發表以及分享個人言論於公開的網路平台或是論壇上，例如：消費者對於產品後的使用心得、經驗分享，或是針對影劇、新聞媒體的觀後評論與意見等等。往後，也隨著行動裝置越來越便利普及，當人們在無法做決定、有選擇性障礙時，往往會參考有經驗的人或是過去消費者們的想法。透過網路搜尋關鍵字，取得來自各種論壇、公開評論網站、新聞媒體以及個人部落格等等的資訊。例如：台大批踢踢實業坊、痞客邦等屬於提供各方面領域訊息的網站。如果想針對不同領域進行資訊的查詢，像是想了解電

影相關的的訊息的話，例如：Yahoo!奇摩電影、IMDB這種評論網站提供的則是針對電影相關的影評、新聞文章、電影簡介等訊息給使用者。然而網際網路的盛行也進而引進企業界人士的投入，帶來有用的商業智慧，並提供有效的行銷決策。另外，對於網路使用者來說也能獲取來自四面八方的主觀評論意見，作為消費前或是觀看電影前的參考依據。有鑒於此，本論文針對Yahoo!奇摩電影的短篇評論，設計一個專屬電影的意見情緒分類器與評論評分系統，分成訓練模型和測試集合驗證兩部分。在訓練集合部分，包含資料處理、人工擷取意見詞和屬性詞、建立相關詞庫、計算意見詞分數以及訓練模型的建立。首先，我們將訓練集合資料利用CKIP斷詞系統進行

斷詞後，以人工標記的方式，蒐集帶有明顯情緒的意見詞以及電影相關的屬性詞，來建立情緒特徵詞庫，再針對訓練集評論中具有加強和否定語義的詞彙建立程度詞庫以及否定詞庫。接著，透過事前建立的意見詞庫、程度詞庫、否定詞庫，定義五種情緒特徵，分別為「極度正向」、「正向」、「中立」、「負向」、「極度負向」，針對訓練集合的評論進行特徵向量的擷取，再轉為特徵向量，透過非監督式的機器學習法SVM（Support Vector Machine），訓練出一個情緒分類模型。在測試集合驗證部分，利用訓練好的支持向量機，將評論進行正向情緒和負向情緒的分類，再將分類結果與評論網站上提供的星等分數做比較，計算出整體的正確率為85

.55%以及AUC為92.55%，代表此系統有不錯的鑑別度和可信度。最後根據評論內容自動化對產生的電影評分，並且搭配電影的四大屬性類別的得分狀況，來提供給使用者在看電影前最直接且可信的參考指標。