資訊工程學系
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/60
本系前身「資訊教育學系」成立於民國七十四年，首先招收大學部學生，民國九十年成立資訊工程研究所碩士班，而後於民國九十五年進行系、所調整合併為「資訊工程學系」；並於九十六年成立博士班。本系目前每年約招收大學部四十餘人，碩士班六十餘人，博士班約五人，截至民國一百零四年十一月止，總計現有大學部一百九十多人，碩士班一百二十多人，博士班二十三人，合計學生人數約為三百三十多位。
News
Browse
5 results
Search Results
Item Item 以深度學習對包含長文之資料集進行情感分析(2022) 陳宜威; Chen, I-Wei隨著網際網路的蓬勃發展，越來越多的訊息在社群網站、線上購物網站、論壇等各種網路平台間傳遞，而這一些訊息可能都表達了人們的看法或是評價。但是只依靠人力來觀察如此龐大的資訊量是非常沒有效率的，因此如何讓電腦得以代替人類完成這一項工作量龐大的任務是必要的。自然語言處理(Natural Language Processing,NLP)是一種讓電腦可以理解人類語言的技術，而情感分析(Sentiment Analysis)則是NLP其中的一項常見應用。它能夠了解字句間所表達的情緒，比如分析網路上對於某些產品、名人、事件等事物的評論立場為何，像是有好感還是持有負面態度。本實驗使用含有長文的IMDB資料集進行情感分析，該資料集將評論分為正面和負面，並且建立深度學習模型讓它藉由評論內容判斷評論表達的情緒是正面或負面，除了基本的LSTM和BERT模型以外，本實驗還有嘗詴讓BERT合併BERT或LSTM模型，希望藉由增加模型獲得的特徵來提高準確度，並且對各種模型的實驗結果進行比較。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。Item 使用跨語句上下文語言模型和圖神經網路於會話語音辨識重新排序之研究(2021) 邱世弦; Chiu, Shih-Hsuan語言模型在一個語音辨識系統中扮演著極為重要的角色，來量化一段已辨識 候選句(詞序列)在自然語言中的語意與語法之接受度。近年來，基於神經網路架 構的語言模型明顯優於傳統的 n 連語言模型，主要因為前者具有捕捉更長距離的 上下文的卓越能力。然而，有鑒於神經語言模型的高計算複雜度，它們通常應用 於第二階段的 N 最佳候選句重新排序來對每個候選句重新打分。這種替代且輕 量級的方法，能夠使用更精緻的神經語言模型以整合任務有關的線索或調適機制 來更佳的重排候選句，已引起了廣大的興趣並成為語音辨識領域中一個重要的研 究方向。另一方面，使用語音辨識系統來有效的辨識出對話語音，對於邁向智能對話 AI 起關鍵重要的作用。相關的應用包含虛擬助理、智能音箱、互動式語音應答... 等等，都無所不在於我們的日常生活中。而在這些真實世界的應用中，通常(或理 想上)會以多輪語音與使用者作互動，這些對話語音存在一些常見的語言現象， 例如主題連貫性和單詞重複性，但這些現象與解決辦法仍然有待探索。基於上述 的種種觀察，我們首先利用上下文語言模型(例如: BERT)，將 N 最佳候選重排任 務重新定義為一種預測問題。再者，為了更進一步增強我們的模型以處理對話語 音，我們探索了一系列的主題和歷史調適的技術，大致可分為三部分: (1)一種將 跨語句資訊融入到模型中的有效方法; (2)一種利用無監督式主題建模來擷取與 任務有關的全局資訊的有效方法; (3)一種利用圖神經網路(例如: GCN)來提取詞 彙之間全局結構依賴性的新穎方法。我們在國際標竿 AMI 會議語料庫進行了一 系列的實驗來評估所提出的方法。實驗結果顯示了在降低單詞錯誤率方面，與當 前一些最先進與主流的方法相比，提出方法有其有效性與可行性。Item