學位論文

Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73912

Browse

Subject: search.filters.subject.Suggestion Mining

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    以BERT-CNN模型進行建議句探勘
    (2021) 房昱翔; Fang, Yu-Hsiang
    隨著智慧型手機、行動網路的普及，民眾每天接收到的訊息量與日俱增，其中評論占據了很大一部份，不同於氣象預報、股票市值這些僅能夠單方面接收的資訊，評論往往是由民眾主動去搜尋及撰寫的，舉凡食、衣、住、行、育、樂，許多民眾已經養成先上網搜尋相關評論後再做決定的習慣，本研究希望透過深度學習的方法，將大量的網路評論，在進行完整分析後作出適當的分類。本研究使用的資料集來自於2019年舉辦的國際自然語言語意評測競賽(Semantic Evaluation 2019, SemEval 2019)中的Task 9，該資料集中的評論可分為建議句(suggestion)及非建議句 (non suggestion)，將其進行前處理後與類神經網路模型進行連接，其中用到了由Google公司於2018年提出的BERT (Bidirectional Encoder Representations from Transformer)及卷積類神經網路(Convolutional Neural Networks, CNN)。本研究將對該競賽項目的子任務A進行實驗，評估方式採用正確率(Precision) 及F1分數(F1-measure, F1)，其中驗證資料集同樣來自SemEval主辦方，並會與當年參加競賽的隊伍進行比較。
  • No Thumbnail Available
    Item
    使用深度學習方法於產品評論之建議探勘
    (2019) 周伯冠; JHOU, BO-GUAN
    隨著網路的普及，許多的資訊愈來愈容易被搜索。其中，產品評論相關的訊息也隨著社群網路的發展被公開在社群中。這類的社群包含，論壇、社群網站、和產品官方網站等，甚至有組織專門在蒐集這些評論後組成評論相關的網站，並且將評論分類，給受用戶查看。消費者可以在上述的網站中查看產品的使用狀況與心得和是否符合自身所需，再決定是否購買；產品提供者也可以透過評論持續收集使用者的使用狀況與心得，對產品進行迭代設計，對產品進行改良以符合大眾的需求。 本研究將評論分為建議句 (suggestion)和非建議句 (non-suggestion)。使用 Stanford Core NLP 斷詞系統將文本以詞為單位進行處理；詞的表達方式分為兩種，詞向量與詞頻率；模型採用深度學習類神經網路，分為全連結類神經網路 (Full Connected Neural Networks, FCNN)、卷積類神經網路 (Convolutional Neural Networks, CNN)與長短期記憶類神經網路 (Long Short-Term Memory, LSTM)。本研究以 Z-Score 方式標準化詞頻率表達式，並用全連結類神經網路訓練，此架構即可和利用詞向量在卷積類神經網路與長短期記憶類神經網路有差不多效果，但速度上快非常多。此外，本研究提供結合詞向量與詞頻率表達式在上述三種模型上訓練，進而對結果做比較分析。效能的評估方式以精準率 (Precision)、召回率 (Recall) 和 F1 分數 (F1-measure, F1)作比較。