Top five imdb的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

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Top five 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。

爬蟲程式語言效能分析研究

為了解決Top five imdb的問題，作者劉育坤 這樣論述：

目前網路爬蟲已然成為了獲取資料的重要工具，各家程式語言也紛紛建立了不同的爬蟲框架以利開發者能更簡易處理擷取的資料。本論文透過TIBOE程式語言排行榜和Google Trends 全球搜尋熱度查詢五年來的三種熱門語言Go、Python、Java進行爬蟲性能與量化比較，透過三種程式語言撰寫爬蟲程式抓取IMDB 主站中最高評分前250名電影排行頁面及KKBOX華語年度單曲榜100名頁面及ET Today新聞雲新聞網頁，抓取三個不同資料型態網站資料為基準。研究結果希望能為開發者提供關於爬蟲技術的特性及測試比較，在選擇爬蟲語言及解析網頁資料時能有準則作為參考依據以減少學習成本。本研究實驗使用三種語言撰

寫爬蟲程式，在環境相同的條件下多次取樣比較爬蟲執行時間、數據測試分析、與各項系統效能等。實驗結果顯示整體程式總執行時間與網頁爬取時間兩者而言，數據最快的是輕量化的Go語言，而單純解析網頁取得資料部分Python佔有最大優勢。