Paradox PTT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

基於BERT模型之整合社群群眾智慧與智能問答系統之知識萃取與提供模式

為了解決Paradox PTT的問題，作者張邦育 這樣論述：

近年來由機器學習主導的問答任務（Question Answering）發展迅速，旨透過機器解答用戶問題，許多研究探討了將資訊轉化並管理的方法，如將資訊轉換為知識圖譜或知識庫的形式（Lan等人，2019；Chen和Li，2020），以利於將輸入問題連結至知識庫的資訊，有效地回答使用者的問題（Xiong等人，2021；Qi等人，2021），然而，知識圖譜的建構通常較為困難，需耗費大量的資源，而若採非結構化的資料儲存方法，雖可解決部分建構成本高的問題，但同時不穩定的維護人力也導致新資訊較無法快速更新。 根據上述之問題，本研究乃建構一套「基於BERT模型之整合社群群眾智慧與智能問答系統之知識萃

取與提供」模式，包含「社群群眾智慧知識庫建立模組」及「群眾智慧問答推論模組」，透過自動化萃取網路社群平台之知識文章，並利用BERT模型解析文本語意，發展並設計一套基於社群群眾智慧文本之智能問答系統。首先，「社群群眾智慧知識庫建立模組」乃透過網路爬蟲方法自動蒐集網路社群平台之文章，並經由意見領袖特徵解析，分析意見領袖文章之文本特徵，萃取當中的群眾智慧知識文本，建立群眾智慧知識庫，其次，「群眾智慧問答推論模組」乃先將輸入之問題與知識庫的文章進行關聯性的匹配，經BERT關聯性計算模型計算問題與知識庫文章的關聯性，篩選出關聯性高的匹配文章集合，以此縮小掃描以及閱讀的範圍，最後根據匹配文章集合將文章與問

題一同配對，由BERT答案推論模型閱讀文章以及問題，推論問題之目標答案段落，並輸出使用者所提問題之目標答案。 為確認本研究所發展之方法於實務應用之有效性，本研究乃基於TensorFlow及PyTorch等深度學習框架，建構Web-based之「整合群眾智慧與智能問答之知識萃取與提供系統」，並以中文之論壇（PTT、知乎）及DRCD問答任務資料集，作為實際案例以及驗證資料，並於系統整體績效評估上取得：EM值73.30%；F1值82.66%。與Chen等人（2017）進行比較驗證：在EM指標上提升26.38%；F1值提升15.64%，以證實本研究系統運作之實用性與可行性。 綜上所述，本研究透過意

見領袖文章特徵擷取與判定，自動化地取得網路社群所蘊含的知識文章，以此建立群眾智慧知識庫，並基於知識庫之資訊藉由BERT模型進行目標答案推論，解答用戶所提問之問題，提供使用者更進階的資訊獲取方式。

COVID-19期間對非援助網絡輿情分析：以Twitter為研究標的

為了解決Paradox PTT的問題，作者陳妍如 這樣論述：

本研究使用R語言撈取Twitter平台上3000筆關於對非援助相關推文，使用情感分析、主題模型分析以及論述分析的方式，一步步剖析探討疫情期間網絡民意在對非援助議題上，所關注的方向及對非援助的成效和立場，並和文獻回顧結果做比較，以完善對非援助議題的研究。研究成果分成技術上及文字探勘兩層面來探討，在技術層次上，本研究發現情感分析及主題模型分析在對非援助議題的局限性，在文字探勘的部分，發現學者和網絡民意在對非援助議題上的見解相似，但網絡民意又多了非洲地區的聲量，這部分的意見不但可作為援助系統調整的參考方向，也是學術上可以深入探討的地方。社群媒體的發達以及文字探勘技術的進步，亦使得援助國更可取得在地

聲音，援助國不應忽視這些聲量，否則會落入投入許多資源、精力，但援助行為非但無法達到促進非洲地區國家發展的良善目的，反而引來接受國的反彈及不諒解。