世界盃和雲豹魔獸你追了嗎論文書籍站
國立臺灣大學 語言學研究所 謝舒凱所指導 吳小涵的 以性別自然語言處理觀點分析與預測同志語言 （2018），提出531訓練ptt關鍵因素是什麼，來自於性別自然語言處理、薰衣草語言學、同性戀文本、卷積神經網路、支持向量機器。
而第二篇論文國防大學 資訊管理學系 陳良駒、陳牧言所指導 李佳孟的 應用深度學習於社群媒體情緒分析-以軍事類網路留言版為例 （2018），提出因為有 深度學習、情緒分析、長短期記憶網路、雙向長短期記憶網路的重點而找出了 531訓練ptt的解答。
以性別自然語言處理觀點分析與預測同志語言
為了解決531訓練ptt 的問題，作者吳小涵 這樣論述：
在現今中文性別自然語言處理的研究脈絡下，大多數研究僅專注於生理性別的討論，對於性別文本的自動分類，更僅建立於一般異性戀男女的文本上。然而，從人文科學的角度出發，性別本身的複雜度亦會影響語言的表現。對此，本論文為中文性別自然語言處理領域中，少數由性取向的觀點出發，討論性別文本分類的研究。首先，為證明性取向亦為有效分類性別文本的參考指標，本論文從中文PTT收集了同性戀男性、異性戀男性、同性戀女性與異性戀女性的性別文本，並利用卷積神經網路模型輔以Word2Vec詞向量訊息，以及支持向量機器搭配語言學特徵組，個別訓練分類器來偵測中文男性文本與女性文本中所蘊含的性取向訊息。機器訓練結果顯示，無論是使用
卷積神經網路模型或是支持向量機器，訓練的分類器皆能在隨機機率(準確率0.5)的標準下，成功分類同性戀與異性戀的文本。其次，有別於過去研究僅專注於分類異性戀男女文本，本論文另利用了與上述相同的機器學習模型與文本特徵，來訓練男女同性戀文本的分類器。除此之外，本論文另收集了中文同性戀論壇的性別文本來測試訓練好的分類器，以證明本分類器不僅能夠成功預測PTT的同性戀文本，亦能夠適應來自於其他網路來源：UThome以及2Girl的同性戀文本訊息。在有限的時間與計算資源下，本論文的訓練結果顯示，在判斷男女同性戀文本的成效上，支持向量機器優於卷積神經網路模型。 另外，在男女同性戀文本的語言學分析下，本論文亦
觀察到不同性別文本除了在實詞的使用上會有所不同之外，在虛詞、標點符號、句法架構、甚至是統計數據，例如詞彙豐富度、字元數量、詞組數量、資訊可預測性等的量測上，也有顯著的統計差異。
應用深度學習於社群媒體情緒分析-以軍事類網路留言版為例
為了解決531訓練ptt 的問題，作者李佳孟 這樣論述：
國軍近年來極為重視軍民交流，因應網路時代消息傳播快速，常透過社群網路發表微電影以及相關文宣，藉由社群媒體的力量，以生動活潑的方式，讓民眾了解國軍在做些什麼，同時使國軍了解民眾的想法。若能在社群網路針對民眾留言資訊進行有效的情緒分析，則有利於國軍即時掌握重要議題動向而擬訂對應的策略。本研究收集了Militarylife PTT版文章2015年1月至2019年2月之文章，共計17819篇文章，其中6188篇做為非負面情緒資料集、11631篇做為負面情緒資料集，並採用增加少數類別抽樣(Over-sampling)方法，增加非負面文章數量達成資料平衡。近年來，深度學習方法為情緒分析應用的趨勢，深度學
習可從各種層面及角度解析詞語的含義，彌補使用數學統計方法造成特徵不足的現象。故實驗模型採用深度學習的長短期記憶網路(Long Short Term Memory, LSTM)及雙向長短期記憶網路(Bidirectional Long Short Term Memory, Bi-LSTM)，根據情緒字典選定、網路層數設定及激活函數選擇進行測試，透過模型準確率、F-measure檢測使用深度學習分類的正確性。實驗結果顯示，配合NTUSD、HowNet及自行整理的軍中特別用語MILSentic等三部情緒字典進行模型訓練，其模型預測成效高於使用NTUSD、HowNet兩部辭典的成效，另以激活函數Tan
h搭配Bi-LSTM網路層數2層時，擁有最佳的模型效能。亦證實本研究以深度學習技術為基礎的社群網路情緒分析流程，配合所建構的MILSentic情緒字典，準確率及F-measure可達一定水準，可提供國軍在社群媒體時代，針對相關留言文章進行情緒分析。