社群媒體分析_期末報告

先安裝需要的packages，並匯入

Sys.setlocale(category = "LC_ALL", locale = "zh_TW.UTF-8") # 避免中文亂碼

packages = c("dplyr", "tidytext", "stringr", "wordcloud2", "ggplot2",'readr',
             'data.table','reshape2','wordcloud','tidyr','scales','ggraph',
             'jiebaR','igraph','NLP','widyr', "topicmodels", "LDAvis",
             "webshot", "htmlwidgets", "tm")
existing = as.character(installed.packages()[,1])
for(pkg in packages[!(packages %in% existing)]) install.packages(pkg)

library(dplyr)
library(stringr)
require(tidytext)
require(jiebaR)
library(wordcloud2)
require(NLP)
require(data.table)
require(ggplot2)
require(reshape2)
require(wordcloud)
require(tidyr)
require(readr)
require(scales)
require(ggraph)
require(igraph)
require(widyr)
require(topicmodels)
require(LDAvis)
require(webshot)
require(htmlwidgets)
require(tm)

設定資料夾

setwd('C:/Users/XA/Documents/R/Air pollution')
getwd()

導入關鍵字

Key_wd <- c("紫爆","空汙", "空氣汙染","空氣品質","核能", "火力", "用肺發電",
            "缺電", "環保", "過濾", "肺癌", "口罩", "發電", "過敏", "眼睛痛", 
            "霧霾", "塵霾" ,"PM2.5", "懸浮微粒", "油煙","癌症","肺癌", 
            "空氣糟", "空氣好","症狀", "塵蹣", "風力", "台電", "以核養綠",
            "擁核", "反核")

我們透過台電的公開資訊，抓取台電1982-2018年的各機組發電量

能源需求則是從2000-2018年

#台電發電量表單
Power_Generation <- read.csv('./taipower_gen.csv')
Power_Generation$年度 = as.numeric(Power_Generation$年度)

#能源需求表單
Power_demand <- read.csv('./total_energy_demand.csv')
Power_demand$year = as.numeric(Power_demand$year)

#台電發電量
ggplot_power <- Power_Generation %>%
  ggplot(aes(x=年度, y)) +
  geom_bar(mapping= aes(x=年度,y=(燃油.台電.+燃煤.台電.+燃氣.台電.)/1000000000), stat = "identity", color="blue")+
  geom_bar(mapping= aes(x=年度, y=核能.台電./1000000000), stat = "identity",color="red")+
  geom_vline(xintercept = as.numeric("2011"), col='green') + #日本311地震後
  ylab("發電量(單位:10億)")+
  ggtitle("台電發電量發電量")
ggplot_power

#能源需求
ggplot(Power_demand, aes(x=year, y=合計/100000000)) +
  geom_line(stat = "identity", color= "green")+
  ylab("能源需求(單位:億)")+  
  ggtitle("國內能源需求總量")

資料來源(台灣電力公司)：https://www.taipower.com.tw/tc/page.aspx?mid=96

紅色的是核能，藍色的是燃煤。可以看到台灣的發電結構，在日本311地震後，有顯著的改變，核能逐年遞減，火力則是逐年遞增。

依據ExxonMobil在「Outlook for Energy-A View to 2030」當中的闡述，未來全球能源和環境的情景：「至2030年，由於經濟復甦與成長，加上人口成長和生活標準提高，每年能源需求成長率將向上推升1.2％；至2030年，全球能源需求將比2005年增加近35％，惟前提是假設能源效率有重大的提升。若無，則2030年能源需求將比2005年約高95％」

因此能源需求，不意外的從2000後，急速增加，並且仍在持續增加中。

分析台中(沙鹿), 高雄(前鎮)空氣品質, 並以花蓮做為基準

#針對PM2.5指標，增加AQI(空氣品質指標)
AirQ_PM2.5_total <- rbind(AirQ_K, AirQ_T, AirQ_H) %>%
  filter ( 測項 == "PM2.5") %>%
  #當每天平均值低於35.4，就為Good的；35.5-54.4為Bad；54.5以上則是Dangerous
  mutate(AQI = ifelse(Aver<35.4, "Good",
                      ifelse(Aver<54.4, "Bad", "Dangerous")))

#由於PM2.5是近10年來才加入偵測監控的值，因此我們額外對PM10製作AQI(空氣品質指標)
AirQ_PM10_total <- rbind(AirQ_K, AirQ_T, AirQ_H) %>%
  filter ( 測項 == "PM10") %>%
  #當每天平均值低於125，就為Good的；126-254為Bad；255上則是Dangerous
  mutate(AQI = ifelse(Aver<125, "Good",
                      ifelse(Aver<254, "Bad", "Dangerous")))

#計算平均值
StatMeanLine <- ggproto("StatMeanLine", Stat,
                        compute_group = function(data, scales) {
                          transform(data, yintercept=mean(y))
                        },
                        required_aes = c("x", "y"))

stat_mean_line <- function(mapping = NULL, data = NULL, geom = "hline",
                           position = "identity", na.rm = FALSE, show.legend = NA, inherit.aes = TRUE, ...) {
  layer(
    stat = StatMeanLine, data = data, mapping = mapping, geom = geom,
    position = position, show.legend = show.legend, inherit.aes = inherit.aes,
    params = list(na.rm = na.rm, ...)
  )
}

AirQ_ggplot <- AirQ_PM2.5_total %>%
  filter(日期> "2015-01-01")%>%
  ggplot(aes(x=日期, y=Aver, color= 測站))+
  geom_line(stat = "identity")+
  stat_mean_line(color="red") +
  facet_wrap(~ 測站, ncol = 1, scales = "fixed")+
  scale_x_date(date_breaks = "3 month")+
  scale_y_continuous(name="Aver PM 2.5", limits=c(0, 100))+
  theme(axis.text.x = element_text(angle=90, hjust = 1)) # x軸刻度翻轉90度
AirQ_ggplot

從2015年開始，可以看到高雄PM2.5濃度平均約為25μ/m3，台中則是略低於25μ/m3，而花蓮在10μ/m3左右。而南部地區(高雄前鎮)可以看到PM2.5的起伏隨著季節浮動，1月為高峰，7月為最低，與一般認知(季風)大致吻合。

我們再針對各地區AQI達到Bad/Dangerous的天數進行分析

#AQI 空氣品質不良的天數
AirQ_AQI_ggplot <- AirQ_PM2.5_total %>%
  group_by(AQI) %>%
  mutate(year = format(as.Date(日期), "%Y"))%>%
  count(AQI, 測站, year) %>%
  ggplot(aes(x=year, y=n, fill=測站), color=測站)+
  geom_bar(stat = "identity", position="dodge")+
  facet_wrap(~ AQI, ncol = 1, scales = "fixed")+
  xlab("年份")+
  ylab("天數")+
  ggtitle("每年空氣品質天數-PM2.5")+
  theme(axis.text.x = element_text(angle=90, hjust = 1)) # x軸刻度翻轉90度
AirQ_AQI_ggplot

AirQ_AQI_PM10 <- AirQ_PM10_total %>%
  group_by(AQI) %>%
  mutate(year = format(as.Date(日期), "%Y"))%>%
  count(AQI, 測站, year) %>%
  ggplot(aes(x=year, y=n, fill=測站), color=測站)+
  geom_bar(stat = "identity", position="dodge")+
  facet_wrap(~ AQI, ncol = 1, scales = "fixed")+
  xlab("年份")+
  ylab("天數")+
  ggtitle("每年空氣品質天數-PM10")+
  theme(axis.text.x = element_text(angle=90, hjust = 1)) # x軸刻度翻轉90度
AirQ_AQI_PM10

針對火力發電廠所在區域：高雄(前鎮站)、台中(沙鹿站)，取2005到2018年的資料來統計，統計出每年相關指標達到Good/Bad/Dangerous的天數，並以花蓮做為對比。

可以看到，不論是PM2.5，或是PM10，空氣品質似乎是逐漸改善，看來似乎並不與火力發電場的發電量有直接相關性。這似乎與我們的預期有差異，那麼國人這些年來覺得空汙日益嚴重的輿論到底是怎麼來的呢？

我們透過中山管院的文字分析平台，尋找2015-2019/04/30，針對“頭版”、“國際”、“生活”、“論壇”四個版來撈相關新聞報導。

抓取的關鍵字是“空氣”、“空汙”、“火力”、“發電”、“霧霾”、“核電”、“核能”。

#先匯入csv檔
txt_News <- fread('./AirPollution_news_articleMetaData.csv', encoding = "UTF-8")%>%
  mutate(sentence=gsub("[\n]{2,}", "。", sentence))
txt_News$artDate = as.Date(txt_News$artDate)

n_distinct(txt_News$artUrl) #文章數量

## [1] 5839

#新聞對比日期
ggplot_news_date <- txt_News %>%
  mutate(month = format(as.Date(artDate), "%Y%m")) %>%
  group_by(month) %>%
  mutate(datecount = n())%>%
  select(month, datecount)%>%
  unique()%>%
  ggplot(aes(x = month, y=datecount)) +
  geom_bar(stat = "identity") +
  xlab("日期")+
  ylab("新聞數")+
  ggtitle("每月新聞數")+
  theme(axis.text.x = element_text(angle=90, hjust = 1)) # x軸刻度翻轉90度
ggplot_news_date

近4年的相關新聞，每月都有100則左右的相關新聞，並不存在近一年較高的情況。最高峰落在從2018-11，估計是與公投案“以核養綠”有關。

另外可能也受到311核災影響，每年3月相關新聞數量也有微幅上升。

接著進行新聞內容斷句分析

#jieba字典
jieba_tokenizer = worker()
jieba_tokenizer <- worker(stop_word = "stop_words.txt") #加入stop_words
new_user_word(jieba_tokenizer, Key_wd) #把key_point加入字典 

#新增斷句工具
air_jieba <- function(t) {
  lapply(t, function(x) {
    if(nchar(x)>1){
      tokens <- segment(x, jieba_tokenizer)
      # 去掉字串長度<1的詞彙
      tokens <- tokens[nchar(tokens)>1]
      return(tokens)
    }
  })
}

# 以全形或半形 驚歎號、問號、分號 以及 全形句號 ???依據進行斷句
txt_news_word <- strsplit(txt_News$sentence,"[。！；？!?;]")

# 將每句句子，與他所屬的文章連結配對起來，整理成一個dataframe
txt_news_word <- data.frame(
  artUrl = rep(txt_News$artUrl, sapply(txt_news_word, length)), 
  sentence = unlist(txt_news_word)
) %>%
  filter(!str_detect(sentence, regex("^(\t|\n| )*$")))

txt_news_word$sentence <- as.character(txt_news_word$sentence)

newtokens <- txt_News %>%
  unnest_tokens(word, sentence, token = air_jieba) %>%
  filter(!str_detect(word, regex("[0-9a-zA-Z]"))) %>%
  count(artUrl, word, artDate, artCat) %>%
  rename(count=n)
newtokens

newtokens %>%
  group_by(word) %>%
  summarise(sum = sum(count)) %>%
  arrange(desc(sum)) %>%
  wordcloud2()

#加入文章識別ID
news_id <- newtokens %>%
  mutate(artId = group_indices(., artUrl))

#對比新聞與關鍵字
news_keyword <- news_id %>%
  filter(word %in% Key_wd) %>%
  group_by(word) %>%
  mutate( newcount = n()) %>%
  count(newcount, artId, word, sort = TRUE)

#關鍵字在新聞的出現頻率
ggplot_news_keyword <- news_keyword %>%
  group_by(word) %>%
  select(word, newcount) %>%
  unique()%>% #移除重複的詞
  filter(newcount>20)%>%
  ungroup() %>% 
  mutate(word = reorder(word, newcount)) %>%
  ggplot(aes(x=word, y=newcount))+
  geom_bar(stat = "identity") +
  xlab("關鍵字")+
  ylab("新聞數")+
  ggtitle("關鍵字出現頻率")+
  coord_flip()
ggplot_news_keyword

進一步分析新聞文字間的Network

#將關鍵字分為"能源"、"健康"兩個群組
Key_wd_energy <- c("核能", "火力", "發電", "風力", "台電",
                   "以核養綠", "擁核", "反核")
key_wd_health <- c("環保", "過濾", "肺癌", "口罩", "過敏", "眼睛痛",
                   "霧霾", "塵霾" ,"PM2.5", "懸浮微粒", "油煙","癌症","肺癌",
                   "空氣糟", "空氣好","症狀", "塵蹣")

term_cooccurrence = news_id %>%
  filter(word %in% Key_wd) %>%
  pairwise_count(word, artId , sort = TRUE, diag=F) #計算字詞配對數

term_cooccurrence = as.data.frame(term_cooccurrence)

#移除重複的pairwise
for (i in 1:nrow(term_cooccurrence)){
  term_cooccurrence[i, ] = sort(term_cooccurrence[i,])
}
term_cooccurrence=term_cooccurrence[!duplicated(term_cooccurrence),]
names(term_cooccurrence)=c('weight','item1','item2')
term_cooccurrence=term_cooccurrence %>%  select(item1,item2,weight) %>%
  #將item1與兩個群組對比，如果屬於能源相關為紅色；健康相關為藍色；其他則為黃色。
  mutate(color = ifelse(item1 %in% Key_wd_energy, "red",
                    ifelse(item1 %in% key_wd_health, "blue", "yellow")))
term_cooccurrence$weight=as.numeric(term_cooccurrence$weight)

#畫出文字間的網路圖
g = term_cooccurrence %>%
  graph_from_data_frame(directed = F)

V(g)$label <- V(g)$name
V(g)$degree <- degree(g)

#定義node的顏色
V(g)$color=sapply(names(V(g)), function(v){
  ifelse(term_cooccurrence$color == "red", '#FF0000',
         ifelse(term_cooccurrence$color == "blue", '#77FFEE', '#FFFF00'))
})

set.seed(5500)
layout1 <- layout_randomly(g) #設置圖的佈局方式為"隨機布局"
layout2 <- layout.fruchterman.reingold(g) #設置圖的佈局方式為"彈簧式發散"

#以Degree作為頂點大小
deg <- degree(g, mode="all")
plot(g, layout=layout1, vertex.size=deg*1.1, vertex.label.ces=.5)
#頂點大小為degree*1.1
#legent:標示
legend("topleft",  #表示這個標示的位置
       c('health','energy'),
       pch=21, #pch代表點的圖案
       col="#777777",
       pt.bg=c("#77FFEE","#FF0000","#FFFF00"),
       pt.cex=1, cex=0.7)

圈圈即為觸及的議題廣度，越大表示越多議題與該關鍵字有關。這裡可看到“空氣品質”、 “過敏”、“懸浮微粒”、“環保”、“肺癌、”紫爆“等都屬於比較熱門的詞彙。

#以betweenness作為頂點大小
bet <- betweenness(g, directed=F, weights=NA, normalized = T)
plot(g, layout=layout1, vertex.size=bet*500, vertex.label.ces=.4)
legend("topleft", c('health','energy'), pch=21,
       col="#777777", pt.bg=c("#FF0000","#77FFEE","#FFFF00"), pt.cex=1, cex=0.7)

Betweenness為中介度，越高表示該詞為其他詞彙的串接橋梁。以上圖來說，“空氣品質”、“懸浮微粒”、“環保”、“過敏”都屬於中介度高的。

#Closeness接近中心度
clo <- closeness(g, mode="all" , weights=NA, normalized=T)
plot(g, layout=layout2, vertex.size=clo*20)
legend("topleft", c('health','energy'), pch=21,
       col="#777777", pt.bg=c("#FF0000","#77FFEE","#FFFF00"), pt.cex=1, cex=0.8)

最中心的幾個關鍵字，可以理解為核心議題，像是“環保”(紅色)、“紫爆”(藍色)、“懸浮微粒”(紅色)、“癌症”(藍色)、“肺癌”(紅色)、“過敏”(藍色)。

而2018的公投“以核養綠”(紅色)，衍伸出來的“用肺發電”、“核能”、“擁核”、“反核”都圍繞在“以核養綠”附近。

我們繼續以新聞進行topic分析

news_dtm <-news_id %>%
  cast_dtm(artId, word, count)

inspect(news_dtm[1:10,1:10])

## <<DocumentTermMatrix (documents: 10, terms: 10)>>
## Non-/sparse entries: 11/89
## Sparsity           : 89%
## Maximal term length: 3
## Weighting          : term frequency (tf)
## Sample             :
##     Terms
## Docs 一旁 一頓飯 一趟 口罩 土地 子女 小時 山間 山路 已經
##   1     1      1    1    1    1    1    1    1    1    1
##   10    0      0    0    0    0    0    0    0    0    0
##   2     0      0    0    0    0    0    0    0    0    0
##   3     0      0    0    0    0    0    0    0    0    0
##   4     0      0    0    0    0    0    0    0    0    0
##   5     0      0    0    0    0    0    0    0    0    0
##   6     0      0    0    0    0    0    0    0    0    0
##   7     0      0    0    0    0    0    0    0    0    0
##   8     0      0    0    0    0    0    0    0    0    0
##   9     0      0    0    0   12    0    0    0    0    0

#建立LDA模型，並且分成2個主題
news_lda <- LDA(news_dtm, 
                k = 2, # number of topics
                control = list(seed = 5555))

#查看ϕ matrix (topic * term)
news_topics <- tidy(news_lda, matrix = "beta") 
news_topics

尋找Topic的代表字

news_top_terms <- news_topics %>%
  group_by(topic) %>%
  top_n(15, beta) %>%
  ungroup() %>%
  arrange(topic, -beta)

news_top_terms %>%
  mutate(term = reorder(term, beta)) %>%
  ggplot(aes(term, beta, fill = factor(topic))) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~ topic, scales = "free") +
  coord_flip()

移除掉中性字，再來分析一次

remove_words <- c("使用", "表示", "報導", "台灣") #移掉中性字
news_top_terms_remove <- news_topics %>%
  filter(! term %in% remove_words) %>%
  group_by(topic) %>%
  top_n(15, beta) %>%
  ungroup() %>%
  arrange(topic, -beta)

news_top_terms_remove %>%
  mutate(term = reorder(term, beta)) %>%
  ggplot(aes(term, beta, fill = factor(topic))) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~ topic, scales = "free") +
  coord_flip()

兩種topic中，紅色這群屬與健康相關的關鍵字，包含“過敏”、“醫師”、“空氣”、“生活”M、“環境”等；而藍色的屬於能源相關的議題，包含“政府”、“台電”、“中國”、“美國”、“日本”、“發電”、“電廠”。

最後，我們以PTT鄉民的討論度來簡單分析青中年(25-40歲)的國人態度。

我們同樣透過中山管院的文字分析平台，搜尋2015-2019/04/30的PTT版上台中版跟高雄版的鄉民文章。

同樣的抓取關鍵字是“空氣”、“空汙”、“火力”、“發電”、“霧霾”、“核電”、“核能”。

#匯入PTT文章csv
txt_ptt <- fread('./Airpollution_articleMetaData.csv', encoding = "UTF-8")%>%
  mutate(sentence=gsub("[\n]{2,}", "。", sentence))
txt_ptt$artDate = as.Date(txt_ptt$artDate)

#LIWC情緒字典
p <- read_file("./positive.txt")
n <- read_file("./negative.txt")
positive <- strsplit(p, "[,]")[[1]]
negative <- strsplit(n, "[,]")[[1]]
positive <- data.frame(word = positive, sentiments = "positive")
negative <- data.frame(word = negative, sentiemtns = "negative")
colnames(negative) = c("word","sentiment")
colnames(positive) = c("word","sentiment")
LIWC_ch <- rbind(positive, negative)

第一部分，文章的情緒統計

#進行斷句
ptttokens <- txt_ptt %>%
  unnest_tokens(word, sentence, token = air_jieba) %>%
  filter(!str_detect(word, regex("[0-9a-zA-Z]"))) %>%
  count(artUrl, word, artDate, artCat, artPoster, push, boo) %>%
  rename(count=n)
ptttokens

#PTT上每月的情緒字出現量 (Positive/Negative)
plot_sent_ptt <- ptttokens %>%
  select(artDate,word ,count) %>%
  inner_join(LIWC_ch) %>%
  mutate(DateYM = format(as.Date(artDate), "%Y/%m"))%>%
  group_by(DateYM ,sentiment) %>%
  summarise(count = sum(count)) %>%
  ggplot(aes(x=DateYM, y = count, color = sentiment))+
  geom_bar(stat = "identity", position="dodge")+
  xlab("Date")+
  theme(axis.text.x = element_text(angle=90, hjust = 1)) # x軸刻度翻轉90度
plot_sent_ptt

情緒最高落在2017-11月左右，這與2017年11月台中舉辦，高雄人高參與的反空汙大遊行，應該有正相關。第二高峰則是2018-11月，應該與“以核養綠”公投有關。

第二部分，計算文字情緒

#計算所有word出現次數
word_count <- ptttokens %>%
  select(word,count) %>%
  group_by(word) %>%
  summarise(count = sum(count))  %>%
  filter(count>3)%>%
  inner_join(LIWC_ch)
word_count

統計正面/負面情緒最常出現的字

ggplot_word_count <- word_count %>%
  inner_join(LIWC_ch) %>%
  group_by(sentiment) %>%
  top_n(15,wt = count) %>%
  ungroup() %>%
  mutate(word = reorder(word, count)) %>%
  ggplot(aes(word, count, fill = sentiment)) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~sentiment, scales = "free_y") +
  labs(y = "Contribution to sentiment",
       x = NULL) +
  theme(text=element_text(size=14))+
  coord_flip()
ggplot_word_count

正向的字眼有“改善”、“健康”、“乾淨”等；負面的則以“嚴重”、“惡化”、“敏感”等，可發現鄉民關心的議題多與健康較相關，與能源議題較無直接關係。

延續上面的統計，做出情緒文字雲

sent_cloud <- ptttokens %>%
  inner_join(LIWC_ch) %>%
  group_by(word,sentiment) %>%
  summarise(count=sum(count)) %>%
  acast(word ~ sentiment, value.var = "count", fill = 0) %>%
  comparison.cloud(colors = c("gray80", "gray20"),
                   max.words = 100)

第三部分，分析高雄/台中版鄉民分別關心甚麼關鍵字

#高雄
city_ptt_K <- ptttokens %>%
  filter(artCat == "Kaohsiung") %>%
  group_by(word) %>%
  filter(!word %in% c("高雄", "高雄市"))%>% #把主題去掉，避免佔用排序
  summarise(sum = sum(count)) %>%
  arrange(desc(sum)) %>%
  mutate(word = reorder(word, sum)) %>%
  top_n(10)%>%
  ggplot(aes(word, sum)) +
  geom_col(show.legend = FALSE) +
  coord_flip()
city_ptt_K

####台中
city_ptt_T <- ptttokens %>%
  filter(artCat == "TaichungBun") %>%
  group_by(word) %>%
  filter(!word %in% c("台中", "台中市"))%>% #把主題去掉，避免佔用排序
  summarise(sum = sum(count)) %>%
  arrange(desc(sum)) %>%
  mutate(word = reorder(word, sum)) %>%
  top_n(10)%>%
  ggplot(aes(word, sum)) +
  geom_col(show.legend = FALSE) +
  coord_flip()
city_ptt_T

兩地鄉民其實討論的關鍵字大同小異，比較有趣的是高雄“工廠”；台中“紫爆”、“清淨機”。這或許可說明近年來對於空汙關心態度，中部是高於南部的。

第四部分，Word Correlation (文字相關性)

ptt_word_cors <- ptttokens %>%
  group_by(word) %>%
  filter(n() >= 20) %>%
  pairwise_cor(word, artUrl, sort = TRUE)

ptt_word_cors_filter <- ptt_word_cors %>%
  #我們選擇幾個主題來尋找各自的相關字
  filter(item1 %in% c("核能", "火力", "環保", "能源", "空汙")) %>%
  group_by(item1) %>%
  top_n(10) %>%
  ungroup() %>%
  mutate(item2 = reorder(item2, correlation))%>%
  ggplot(aes(item2, correlation)) +
  geom_bar(stat = "identity") +
  facet_wrap(~ item1,  ncol = 2, scales = "free") +
  coord_flip()+
  #加入中文字型設定，避免中文字顯示錯誤。
  theme(text = element_text(family = "Heiti TC Light"))
ptt_word_cors_filter

火力：其實比較單純，都圍繞在火力發電廠相關詞彙。

空汙：比較特別的是，提到“政府”、“市府”，顯見空汙議題不單是台中、高雄兩地的市府單位相關，政府政策也是與空汙息息相關。

能源：跟政府能源政策較有關，因此像是“中央”、“條例”、“發電”、“政策”等文字較相關。

環保：比較單純，文字都跟環保署監測有關。

值得一提的是“核能”竟然完全沒有相關字，我們後來又試了“核電”、“核”、“以核養綠”也都沒有辦法做出結果。