Alex Jones 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

跨語言遷移學習在惡意留言偵測上的應用

為了解決Alex Jones ptt的問題，作者陳冠宇 這樣論述：

Transformer這個模型，它開啟了自然語言處理領域的一道大門，使得這個領域往前邁進了一大步，它讓模型更了解了文字中的關係。並且它的模型架構延伸了許多語言模型，例如跨語言模型的XLM，XLM-R，而這些延伸出來的模型在各個任務中都獲得了很好的成績。在本篇論文中，我們證實了可以透過其他高資源的語言來彌補低資源的語言的資料量，我們以預測留言是否是惡意留言來做為例子，我們分別使用Jigsaw Multilingual Toxic Comment Classification 競賽所釋出的英文資料和PTT黑特版上的留言當做輸入的訓練集，並要模型預測中文的惡意留言，而且英文的資料量比中文的資料量多

出很多，我們將其預測結果分為三個種類分別是單純以英文資料訓練模型，單純以中文資料訓練模型，最後是將兩者的資料結合並訓練模型，發現在以英文資料的訓練因為其資料量較大使得其預測結果為最好有75.9% 的水準，而以總體預測水準來說為混合型的資料分數較高有88.3%。總體來說，我們可以透過跨語言模型來補足低資源語言的不足，並且有了另一種解決低語言資料的方法。

使用具注意力機制之孿生神經網路以分析新聞事件支持度

為了解決Alex Jones ptt的問題，作者李宜澤 這樣論述：

現今國家時事已然影響了人民的生活型態，而這些影響則大多來自於民生物資取用的便利性及價錢的漲跌或是政治政策的實施及改變。這些政策事件的新聞發佈後，常常會引發一連串的相關文章或人民評論釋出到各大社群網站與新聞媒體網站，如Facebook、PTT等等。這些文章經過統整後，以情感分析、正負面分析等工具來分析後，再做出各類統計計算得出結論，以利決策者可以得知人民對於某人事物大多是怎樣的傾向，讓決策更能貼近民心，這就是常用到的輿情系統。不過，現今的輿情系統還是會有些許的限制，目前的輿情系統可以用一些自然語言處理方法計算出很多情緒值，像是開心、難過、生氣等等，但就是無法得知新聞文章裡對於文章內所提事件或議

題到底是支持還是不支持。本研究的目的在從新聞對於某事件的支持語句做配對及比較的語句相似度，試著分析此文章是否支持對應事件。研究方法使用孿生神經網路(Siamese Network)將一句短短的事件支持語句和一整篇事件新聞文章匹配在一起，使用長短期記憶神經網路(Long Short-Term Memory)並加入注意力機制(Attention Mechenism)導入孿生神經網路中，以解決兩個長短差距過大的語句差異問題。同時使用幾個不同的距離計算公式做比較，將兩個文本代表特徵做完整的匹配計算，訓練出分析事件支持度模型，以達成網路上所有有關某事件支持度正反面傾向之統計，讓決策者能更清楚的判斷民眾對

於某事件的支持與否。本研究主要以時事新聞事件資料，而這些資料中包含了許多中文專有名詞，所以語詞分割工具的選擇對於本研究的效果具有非常重要的影響。本研究將共計4112篇文章的新聞立場正反面傾向執行了人工標記，訓練詞彙用語資料庫有七萬多篇，驗證文章為300篇近幾個月的新聞時事。