bing词典的問題，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資訊懶人包

應用情感分析從媒體評論推測企業聲譽之研究

為了解決bing词典的問題，作者張偉德 這樣論述：

現今企業重視聲譽，將其視為重要資產來管理，媒體是傳遞企業意象的重要管道。過去研究為取得企業聲譽，採問卷方式，取得聲譽量表，進行後續分析，但很少有研究是從媒體的評論來推測企業聲譽，媒體一直是各利益關係人獲取企業資訊的來源之一，而媒體報導的觀點會影響企業聲譽的走向。 情感分析(Sentiment Analysis)可以解析文章或評論的內容，確立一個人對某件事物，所想表達的觀點或態度，過去研究，以判斷偏向正面、中立或負面為主，但人的情感複雜多變，人們藉由文字所表達的情感也是，透過情感詞典找出文中情感變數分數進行分析，對研究更有助益。 在網際網路的推波下，取得這些媒體評論集，相較於過去較

為容易，藉由過往研究常用的聲譽問卷，向從事媒體工作的人員發放問卷，取得目標企業的聲譽量表，並使用情感分析對媒體所發表的相關企業評論，從中取得所有情感變數的分數，做為後續分析的資料來源。 最後，使用複迴歸分析與倒傳遞類神經網路，兩個預測方法，從情感分數的變數中，找出影響企業聲譽的顯著變數。從結果看來，複迴歸分析所得到的均方差(MSE)在7點尺度上為1.161，均方根差(RMSE)為1.077，倒傳遞類神經網路中所得到的均方差(MSE)為0.290，均方根差(RMSE)為0.538，最後利用顯著變數投入倒傳遞類神經網路中均方差(MSE)為0.245，均方根差(RMSE)為0.495，皆有不錯

的預測效果，以顯著變數投入倒傳遞類神經網路最佳，顯示從媒體評論中的情感分析是可以推測企業聲譽。

結合新情緒詞之SeMSAED情緒探勘系統-以Trip Advisor評論資料為例

為了解決bing词典的問題，作者楊禮賓 這樣論述：

隨著社群網路平台及智慧性手機的普及，愈來愈多民眾習慣透過這些平台，發表個人意見。這些文字，往往附著使用者個人的情緒，而利用人工判讀，耗費大量時間且效益低落。且文字隨著時間，也會產生新的流行語。故本研究以自建的SeMSAED情緒探勘系統對知名旅遊評論網站TripAdvisor的住宿體驗評論進行分類之外，也透過「羅吉斯迴歸」及「支援向量機」分別驗證情緒探勘結果。另外針對新流行語部份，由系統所提供的自動解析未知情緒詞功能，更新擴充字典中的正負面情緒詞。其中，執行SeMSAED未知情緒詞判斷工作，其中主要演算法為「Word2Vec」；系統得以主動更新擴充字典的部份則利用作業系統排程器的定時執行功能，

並透過三種情緒探勘模型，驗證上述導入新詞的成果。經由測試資料集根據「準確率(Accuracy)」及「F Measure」驗證各模型後，SeMSAED為最適模型。且在三種模型中增加新情緒詞，均可以提升至少1%的正成長效果，並有效降低至少5%的型一錯誤及型二錯誤。