自動化工程系ptt的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

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

為了解決自動化工程系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。

基於 BLEURT 模型之通用領域中文對話生成模型的質量評估

為了解決自動化工程系ptt的問題，作者葉峻宇 這樣論述：

用於中文自然語言生成模型的開發在過去幾年中逐漸取得了相當高的質量。然而，評估方法仍然需要人工來評估生成的對話，這需要花費時間和人力來測試新模型。自動化評估方法的發展一直未能在減少人力和評估準確性之間取得平衡。當前的評估方法不夠穩定且效率較低。過去，最流行的自然語言評估方法選擇，例如 BLEU 和 ROUGE，對於翻譯任務在一定程度上有著相當有效的評估表現，但對於非序列到序列生成類型如對話或問答評估表現一直以來都有缺點。直到最近，BLEURT 模型才開始提供一種自動評估方法的訓練和自動評估問答的模型。 BLEURT 使用相對較少的任工方法來允許模型評估任何自然語言生成任務。我們採用 BLEUR

T 預訓練模型作為基礎訓練模型，學習對GPT-2生成的中文對話進行人工評估。它作為人類判斷給出了很好的評估結果，我們發現某些生成模型可以在社交媒體上生成比普通人更好的對話。