現行商家網路評價資訊多以影音、圖文、評分等三種方式呈現，但前兩者主要以質化描述進行商家評比，缺乏可量化數據供使用者分析；評分則以一到五星級進行評分，但在五個類別的評分尺度中，不同使用者會依據當下的情緒、過去的用餐經驗而有不同主觀的分數，導致分數與評論內容不相符的狀況產生。
同時在社群上，也有不肖的商家、消費者，透過灌水的方式惡意操弄評分系統，除了聘雇網軍大量濫充正向評論，也經常能夠看到網民集結，蓄意發動攻訐店家進行負評；本專題透過 AI 自然語言技術，建立繁體中文評論 word-embedding，同時設計新的評分機制提供未來消費者做參考依據，以獲得公正、客觀的市場評價。
Google 商家評論 (467,250 筆)、 Foodpanda 評論(40,663 筆)
Word-Embedding + LSTM
| 評等模型 | 準確度 |
|---|---|
| LSTM | 70% |
透過softmax最為最後一層的激活函數，計算出五個星等類別的機率，再行針對機率進行加權計算，進而獲得評論的AI評分(最高100分、最低0分)，如下範例：
| 句子 | 評等 |
|---|---|
| 真的不好吃 | 11.91 |
| 花生湯非常好喝 | 96.41 |
| 及格邊緣 | 65.94 |
| 有夠難吃 | 0.11 |
我們初步先標註5000份分數相差 35 分的評論，加以標註後簡單訓練出偵測濫充評論的模型，再將濫充評論從評等預測模型的訓練資料中移除，在重新抓出相差 35 分的評論，反覆執行來改善兩種模型...
(1) 透過無效評論偵測模型，先行剔除無效評論 (2) 透過AI模型預測評論客觀星等，並轉換為0-100的分數 (3) 結合消費者主觀評分、AI客觀評分，進行分析提供消費者參考
