股票這個價位要不要買論文書籍站
東吳大學 法律學系 莊永丞所指導 陳思妤的 論STO流通市場之法制 （2021），提出星 宇 Stock ptt關鍵因素是什麼，來自於虛擬代幣、證券型代幣公開發行、虛擬代幣交易所、Rule 195安全港條款、中心化交易所、去中心化交易所、證券交易所。
而第二篇論文國立政治大學 統計學系 鄭宇庭所指導 蔡廷儀的 應用情感分析技術於電影評論分類與評分系統 — 以Yahoo!奇摩電影為例 （2019），提出因為有 自動評分、意見探勘、情緒分類、Yahoo!奇摩電影、網際網路的重點而找出了 星 宇 Stock ptt的解答。
論STO流通市場之法制
為了解決星 宇 Stock ptt 的問題，作者陳思妤 這樣論述：
近期，美國聯邦證券交易委員會（Securities and Exchange Commission，SEC）對於虛擬代幣監管採取積極態度，SEC主席Gary Gensler強調大多數虛擬代幣均符合 Howey Test 判準而為投資契約，甚至抨擊多數虛擬代幣交易所係假交易虛擬代幣之名，實則規避證券主管機關的監理。查我國於2019年6月即發布STO相關規範，然而，直至2022年7月止尚未有虛擬代幣交易所合規登記為STO交易所，其卻於平行時空蓬勃發展，因此本文循此脈絡，認為欲有效監管此類型虛擬代幣交易所，首須於第二章探討虛擬代幣交易所之底層技術－區塊鏈及其相關應用，並將虛擬代幣交易所分為中心化交
易所及去中心化交易所，區別深究其特性及運作。次者，於第三章將各國STO交易所法制梳理為一監理光譜，包含非洲、中國、美國、日本及我國，並試圖於第四章節據此重塑STO流通市場之監理法制。本文欲將STO流通市場監理法制分為短期與長期兩階段，首先，短期目標係針對我國現行制度，並且參酌美國Regulation ATS、日本相關規範與學說進行評釋，以期給予我國STO主管機關相關修正方向；其次，本文認為現行各國制度仍然無法摒棄舊有對於證交所之監理思維，並無正視虛擬代幣交易所特性與傳統證交所及ATS之差異，藉此同時反應於監管制度，故而吾人以美國SEC委員Hester Peirce所提之Rule 195之安全港
條款草案及日本現行實務運作情況，作為長期監理虛擬代幣交易所之願景，期待能藉此重塑我國STO流通市場監理法制。是以，本文於文末提出STO交易所之監理法制框架，包含以Rule 195發想去中心化交易所之監理法制，以及依據日本實務現況草擬中心化交易所之監管規範，分別構築二種STO交易所之監管規範與發給交易所「有限執照」之流程，使交易所能於寬限期或特定事項內合規地營運STO之交易事項，並且提供調適二項規範之主管機關應有態度供其參考，盼能以此拙見作為主管機關調適現行法規範之方向，以幣圈之方式監管幣圈，從而使平行時空之眾多虛擬代幣交易所邁向合規一途，方能達到投資人保護、交易所永續經營、發行人籌資順利及政府
拓展稅收來源之多贏局面。
應用情感分析技術於電影評論分類與評分系統 — 以Yahoo!奇摩電影為例
為了解決星 宇 Stock ptt 的問題，作者蔡廷儀 這樣論述：
在近十年內，網際網路迅速的竄起，與80年代當時的web2.0尚未普及使用相比，人與人之間的交往模式從寫信給特定想發送的對象，至今慢慢地轉為傾向於自願性的發表以及分享個人言論於公開的網路平台或是論壇上，例如：消費者對於產品後的使用心得、經驗分享，或是針對影劇、新聞媒體的觀後評論與意見等等。往後，也隨著行動裝置越來越便利普及，當人們在無法做決定、有選擇性障礙時，往往會參考有經驗的人或是過去消費者們的想法。透過網路搜尋關鍵字，取得來自各種論壇、公開評論網站、新聞媒體以及個人部落格等等的資訊。例如：台大批踢踢實業坊、痞客邦等屬於提供各方面領域訊息的網站。如果想針對不同領域進行資訊的查詢，像是想了解電
影相關的的訊息的話，例如：Yahoo!奇摩電影、IMDB這種評論網站提供的則是針對電影相關的影評、新聞文章、電影簡介等訊息給使用者。然而網際網路的盛行也進而引進企業界人士的投入，帶來有用的商業智慧，並提供有效的行銷決策。另外，對於網路使用者來說也能獲取來自四面八方的主觀評論意見，作為消費前或是觀看電影前的參考依據。有鑒於此，本論文針對Yahoo!奇摩電影的短篇評論，設計一個專屬電影的意見情緒分類器與評論評分系統，分成訓練模型和測試集合驗證兩部分。在訓練集合部分，包含資料處理、人工擷取意見詞和屬性詞、建立相關詞庫、計算意見詞分數以及訓練模型的建立。首先，我們將訓練集合資料利用CKIP斷詞系統進行
斷詞後，以人工標記的方式，蒐集帶有明顯情緒的意見詞以及電影相關的屬性詞，來建立情緒特徵詞庫，再針對訓練集評論中具有加強和否定語義的詞彙建立程度詞庫以及否定詞庫。接著，透過事前建立的意見詞庫、程度詞庫、否定詞庫，定義五種情緒特徵，分別為「極度正向」、「正向」、「中立」、「負向」、「極度負向」，針對訓練集合的評論進行特徵向量的擷取，再轉為特徵向量，透過非監督式的機器學習法SVM（Support Vector Machine），訓練出一個情緒分類模型。在測試集合驗證部分，利用訓練好的支持向量機，將評論進行正向情緒和負向情緒的分類，再將分類結果與評論網站上提供的星等分數做比較，計算出整體的正確率為85
.55%以及AUC為92.55%，代表此系統有不錯的鑑別度和可信度。最後根據評論內容自動化對產生的電影評分，並且搭配電影的四大屬性類別的得分狀況，來提供給使用者在看電影前最直接且可信的參考指標。