Set It Up imdb的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和懶人包總整理

類別不平衡文本情感分析之研究-以台北市飯店評價為例

為了解決Set It Up imdb的問題，作者吳美慧 這樣論述：

在大數據的發展之下，越來越多研究針對大量的社群媒體資料進行情感分析，其中又以使用者評論的資料集為常見的分析領域。情感分析中的情感極性分類是將文本資料依其情感的正向或負向做分類，然而在二分類的資料分析流程中，容易遇到類別的資料筆數不平衡的問題。為了解決資料類別不平衡的問題，可以利用採樣方法來取得平衡資料集。在過往的情感分析研究中，大多數都沒有考量資料類別不平衡的情況進行分析，因此本研究將針對類別不平衡問題做處理，並比較相關方法情感極性分類績效。另外，飯店業對於使用者評論相當的重視，利用情感分析來分析使用者評論有助於了解飯店評價，並且使用者對於飯店評論的正向及負向比率常常相差很大。本研究首先爬取

台北市飯店評論作為實驗原始資料集，接著針對不平衡類別資料進行平衡資料處理，最後利用5種深度學習(CNN、LSTM、Bi-LSTM、CNN+BiLSTM及Bi-LSTM+CNN)進行情感極性分類，並與傳統機器學習SVM做比較。實驗結果顯示，原始不平衡資料集以深度學習CNN的正負準確率幾何平均(GM)值51.9%最佳，過採樣-SMOTE平衡資料集以深度學習Bi-LSTM的GM值97.3%最佳，平衡資料集最佳GM值與不平衡資料集最佳GM值相比提升了45.4%；CNN與Bi-LSTM分別在4種不同詞性分析與句法分析搭配Doc2Vec與Word2Vec下，情感分析績效都較其他深度學習方法佳；5種深度學習

績效均較傳統機器學習SVM高。

應用機器學習演算法進行文本情感分析之研究

為了解決Set It Up imdb的問題，作者陳威達 這樣論述：

近年來，隨著手機裝置的普及化和網路趨勢的改變，一般人們習慣在網絡上分享自己本身購買產品或服務的意見和體驗。線上評論對用戶和企業有很大影響，它幫助我們進行決策，許多用戶在消費前會看產品的評論再作決定，企業可以利用評論去改善它們的產品或服務。情感分析(Sentiment analysis)又稱為意見探勘(Opinionmining)。是以使用自然語言處理、文字分析等方法，找出作者某些話題上的態度、情感、評價或情緒。情感分析的商業價值，可提早得知顧客對公司或產品觀感，以調整銷售策略方向。IMDB 網路電影資料庫(Internet Movie Database）是一個關於電影演員、電影、電視節目、電

視藝人、電子遊戲和電影製作小組的線上資料庫。IMDB 開始於 1990年，自 1998 年起成為亞馬遜旗下的網站，至今已經累積大量的電影資訊。截至2016 年 11 月 26 日，IMDb 收錄了共 4,007,049 部作品以及 7,593,030 個人物的資料。近年來，深度學習方法為情感分析應用的趨勢，深度學習可從各種層面及角度解析詞語的含義，彌補使用數學統計方法造成特徵不足的現象。故實驗一的四種研究方式採用深度學習的多層感知器 MLP(Multilayer Perceptron )、遞迴神經網路 RNN(Recurrent Neural Network)、LSTM 長短期記憶（Long

Short-Term Memory）三種模型，根據情緒字典選定、網路層數設定及激活函數選擇進行測試，透過模型準確率來評估測試集準確率。文本分類技術已經被廣泛地應用在文本審核、廣告過濾、情感分析等 NLP(Natural Language Processing)領域。但由於絕大多數文本分類文章和論文都是二文本分類，如垃圾郵件過濾（垃圾郵件與正常郵件），情感分析（正面與負面）。在大多數情況下，往往兩文本分類無法應付多種分類的狀況，實驗二就進行多種分類的預測探討。實驗一結果顯示四種研究的深度學習 MLP、RNN、LSTM 三種模型中 LSTM模組其模型預測成效高於使用 MLP、RNN 將近 85.6

7%左右，亦證實本研究以深度學習技術為基礎的社群網路情感分析流程可達到一定水準。實驗一的研究四中針對長短期記憶(LSTM)層數設定搭配激活函數、DropOut進行效能比較，實驗結果指出 LSTM=32，DropOut=0.8 時 LSTM 準確率可提高為87.31%，代表參數優化有研究探討的準確性。而從實驗二表 4-14 指出 AdaBoost 以及 KNN 分類器準確率不佳外，其餘的機器學習模組都有不錯的效果，像是 MLP 以及決策樹的準確率皆高達 97.42%，實驗結果算是蠻高的。關鍵字: 文本情感分析、機器學習、深度學習、LSTM、Dropout