轉拼音的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

中文游戲大本營︰課堂游戲100例（上冊）

為了解決轉拼音的問題，作者(新西蘭)VICTOR SIYE BAO 這樣論述：

本書是為對外漢語教師、漢語教師志願者編寫的漢語教學輔助用書，對外漢語專業學生亦可參考。全書分上、下兩冊，分門別類地介紹了100個實用有趣的游戲，既有漢語語音、漢字、詞匯、語法、听力、口語等方面的游戲，又有一些跟中國文化有關的教學活動。每個游戲包括游戲介紹、游戲準備、游戲過程、注意事項、游戲變通、心得隨筆等部分，注意事項和游戲變通部分還有很多貼心提示，即使是教學新手也能靈活應用。 本書可幫助教師更加有效和靈活地開展不同內容、不同層次的漢語課堂教學，從而在快樂的氛圍中潛移默化地提高學生的漢語水平，增強他們對中國文化的了解。 今天，你做游戲了嗎？ 第一部分 游戲讓你

玩轉拼音 1.跟我走 2.畫拼音 3.誰的朋友多 4.四色四聲球 5.听拼音摘卡片 6.找朋友 第二部分 哇噢！漢字原來可以這樣教 1.討厭的筆畫 2.報筆畫〃數 3.挑錯字 4.下一筆，是什麼 5.畫漢字 6.偏旁部首交朋友 7.曲曲棒，做漢字 8.空中點寫漢字 9.漢字推銷員 10.拍，我拍，我拍拍拍 第三部分 你的詞匯怎麼記得那麼牢啊？ 1.007之禍及鄰居 2.潘多拉的魔盒 3.唱反調比賽 4.快樂傳真之傳遞遞單詞 5.打板猜詞 6.大風吹 7.接龍 8.摸鼻子 9.你演我猜 1

0.拋球 11.搶生詞比賽 12.扔骰子， 放生詞 13.生詞撲克 14.手忙腳亂 15.好運？歹運？ 16.我是什麼？ 17.眼明手快 18.與眾不同 19.這是誰的包？ 20.職業演員 第四部分 造句，上癮了！ 1.吹牛 2.賭馬 3.快樂傳真之造句 4.列隊比賽 5.迷宮 6.拍賣句子 7.拼句、拼段比賽 8.收拾你的房間 9.造句對抗賽 10.抓紙團 11.最好笑的句子比賽 12.八卦一下 附錄 教學游戲的設計、改進和創新

轉拼音進入發燒排行的影片

中文侮辱性文字偵測與分類

為了解決轉拼音的問題，作者鍾毅 這樣論述：

網路發言的匿名性質與網路距離感使得網路發言常因缺乏顧慮而中傷他人，歧視、謾罵、人身攻擊屢見不鮮，網路霸凌事件也層出不窮，因此自動化的侮辱性文字偵測與分類的研究也更加重要。可惜目前並無大型的中文公開資料集可供研究使用。本論文為了幫助中文侮辱性文字偵測分類研究技術的發展，建立了一份名為TOCAB的大型實驗資料集。TOCAB資料集的資料均從PTT的熱門看板蒐集而來。資料集中共有1,000篇貼文和121,344則推文，其中17,836則推文經人工標記判斷含有侮辱性文字。此外，我們定義出六大類侮辱類別，分別是性別、身心、政治、國族、辱罵、其他這六大類。各推文皆由標記人員判斷屬於何種侮辱類別。本論文也實

作了許多利用機器學習與深度學習開發所得的偵測系統與分類系統，來驗證本實驗資料集的可用性。以機器學習做偵測和分類實驗時，在過濾掉停用詞後，特徵取用詞的bigrams、trigrams和關鍵詞。分類工作還會使用SMOTE增加分類訓練資料集。最佳偵測系統是random forest，使用了關鍵詞和詞的bigram特徵，其f1-score為0.8572。最佳分類系統是SVM，僅使用關鍵詞特徵，其f1-score為0.7274。以深度學習做偵測實驗時，使用fastText和Word2Vec工具訓練word embedding模型，訓練語料庫包含中文維基百科與PTT語料庫。嘗試了GRU和LSTM這類RNN

神經網路，也嘗試使用了虛擬標記增加資料量和把中文轉拼音來測試效能。最佳系統是BERT，未使用擴增資料集和中文拼音特徵，其f1-score為0.8855，也優於最佳的機器學習偵測系統。以深度學習做分類實驗時，方法與偵測部分雷同。除了使用虛擬標記來增加分類訓練資料外，還使用標籤保留轉換方法將推文翻譯成各種中間語言再翻回中文以增加資料量。最佳系統是BERT，未使用任何擴增資料集，其macro-averaging f1-score為0.7813，也優於最佳的機器學習分類系統。我們重現了TRAC 2020會議評比任務中兩個最佳系統，包括bootstrap aggregating BERT models和

naïve checkpoint ensemble方法，來評估他們處理中文侮辱性文字偵測分類的效能。最佳系統為使用bootstrap aggregating BERT models方法訓練的系統，偵測效能f1-score為0.8936，分類效能f1-score為0.8057。本論文建立了第一個大型中文侮辱性文字的實驗資料集，此TOCAB資料集已公開於本實驗室網站以供各種NLP實驗參考使用，也期望本資料集能對中文侮辱性文字的研究能有貢獻。