韓劇電影你都看哪一部呢？論文書籍站
國立虎尾科技大學 資訊工程系碩士班 許乙清所指導 廖安宏的 整合機器學習與情感運算於聊天機器人-以Dcard為例 （2020），提出Paper 搜尋 Dcard關鍵因素是什麼，來自於情感運算、聊天機器人、TF-IDF、機器學習、雲端運算。
而第二篇論文輔仁大學 大眾傳播學研究所碩士班 洪雅慧所指導 陳瑾玟的 靜態官方購物網站與動態商品直播之媒體特性、消費者行為與品牌滿意度差異研究－以網路服飾品牌「mouggan」為例 （2020），提出因為有 官方網站、商品直播、媒體特性、消費者行為、品牌滿意度的重點而找出了 Paper 搜尋 Dcard的解答。
整合機器學習與情感運算於聊天機器人-以Dcard為例
為了解決Paper 搜尋 Dcard 的問題，作者廖安宏 這樣論述：
現代人因為科技日趨發達，遇到挫折、壓力而情緒較為負面時，習慣透過瀏覽器到網路上搜尋與自己問題相關的文章來當作參考，但傳統瀏覽器只能以關鍵字做搜尋，且網路上文章太多太雜，要找到符合自己問題又有參考價值之文章常需要耗費大量時間。為了解決上述問題，本論文提出整合機器學習與情感運算於聊天機器人架構(Integrating Machine Learning and Affective Computing into Chatbot Framework，下方簡稱IMACF)。本論文以社群網站Dcard上的文章作為訓練資料，共會建立三種模型，分別為用於情感運算的二元分類(Binary Classificat
ion)模型、分析話題的多元分類(Multi-class Classification)模型及推薦文章的潛在語義索引(Latent Semantic Indexing)模型，並基於IMACF建立情感運算與文章推薦平台(Affective Computing and Article Recommendation Platform，下方簡稱ACARP)來讓使用者使用，以此驗證IMACF之可行性。首先本論文使用TF-IDF引導使用者與聊天機器人進行對話來描述自己的問題，並透過機器學習自動判斷對話文本是否已經足夠讓系統進行後續分析，當對話文本足夠後便會將文本進行斷詞、詞嵌入等步驟轉換為可以進行機器學習
的數字向量，接著將此向量輸入到二元分類模型中進行情感運算，並分析出使用者之情緒(Emotion)狀態;而為了能夠準確的推薦與使用者相關的文章，本論文以多元分類及Ontology UML概念來分析使用者之話題領域，最後以分析結果為基準，使用潛在語義索引模型來推薦相關的文章供其參考，以此大幅提升使用者的搜尋效率，並改善只能以關鍵字搜尋的缺點。本論文系統具有可擴充性，因此未來會加入更多不同話題的文章來當作訓練資料，為了提升效率，本論文使用Spark叢集架構來加快模型訓練的速度，並參考邊緣運算(Edge Computing)的概念來將訓練模型、載入模型的架構分開運算，以此提高整體系統的執行效率。本論文
為了評估ACARP在真實情況下是否能夠符合使用者的需求，做了系統實際使用回饋統計，並根據使用者的回饋內容來調整系統模型的參數，藉此訓練出真正讓使用者滿意的模型。
靜態官方購物網站與動態商品直播之媒體特性、消費者行為與品牌滿意度差異研究－以網路服飾品牌「mouggan」為例
為了解決Paper 搜尋 Dcard 的問題，作者陳瑾玟 這樣論述：
當今網路購物的市場盛行，企業或品牌廣泛架設官方購物網站，以靜態圖片搭配文字的方式作為銷售管道；但是近年來直播平台的興起，以網購搭配直播功能的動態影像銷售，形成一種新商機。無論是在官方網站或商品直播，消費者重視其互動性、即時性、真實性、豐富性，業者也積極運用圖文或直播的銷售來吸引或提升消費者的購買意願等。然而，在過去文獻中針對消費者對於不同銷售形式（靜態官網圖文 vs. 動態直播影片）之差異研究甚少。因此，本研究以網路服飾品牌「mouggan」作為研究案例，將商品銷售形式分為「靜態官方網站之圖文呈現」與「動態商品直播之影片呈現」，並提出「資訊互動性」、「即時回饋性」、「商品透明
性」、「資訊豐富性」之四項媒體特性，目的在於比較消費者對靜態與動態銷售之媒體特性的看法與差異，並以 AISAS 模型作為消費者行為的基礎建構，解析消費者對於使用官方網站與商品直播的「興趣」、「搜尋」、「行動」、「分享」之行為差異，以及了解兩者的品牌滿意度。 本研究透過網路問卷調查法，進行資料的蒐集並統計分析，共回收 572 份有效問卷。研究結果顯示，消費者認為動態商品直播之資訊互動性、即時回饋性、商品透明性、資訊豐富性皆高於靜態官方網站；此外，研究也證實，觀看動態商品直播引起的興趣、搜尋、行動、分享行為高於瀏覽靜態官方網站；而消費者對於商品直播的品牌滿意度亦高於官方網站。