瀏覽器推薦dcard的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

整合機器學習與情感運算於聊天機器人-以Dcard為例

為了解決瀏覽器推薦dcard的問題，作者廖安宏 這樣論述：

現代人因為科技日趨發達，遇到挫折、壓力而情緒較為負面時，習慣透過瀏覽器到網路上搜尋與自己問題相關的文章來當作參考，但傳統瀏覽器只能以關鍵字做搜尋，且網路上文章太多太雜，要找到符合自己問題又有參考價值之文章常需要耗費大量時間。為了解決上述問題，本論文提出整合機器學習與情感運算於聊天機器人架構(Integrating Machine Learning and Affective Computing into Chatbot Framework，下方簡稱IMACF)。本論文以社群網站Dcard上的文章作為訓練資料，共會建立三種模型，分別為用於情感運算的二元分類(Binary Classificat

ion)模型、分析話題的多元分類(Multi-class Classification)模型及推薦文章的潛在語義索引(Latent Semantic Indexing)模型，並基於IMACF建立情感運算與文章推薦平台(Affective Computing and Article Recommendation Platform，下方簡稱ACARP)來讓使用者使用，以此驗證IMACF之可行性。首先本論文使用TF-IDF引導使用者與聊天機器人進行對話來描述自己的問題，並透過機器學習自動判斷對話文本是否已經足夠讓系統進行後續分析，當對話文本足夠後便會將文本進行斷詞、詞嵌入等步驟轉換為可以進行機器學習

的數字向量，接著將此向量輸入到二元分類模型中進行情感運算，並分析出使用者之情緒(Emotion)狀態;而為了能夠準確的推薦與使用者相關的文章，本論文以多元分類及Ontology UML概念來分析使用者之話題領域，最後以分析結果為基準，使用潛在語義索引模型來推薦相關的文章供其參考，以此大幅提升使用者的搜尋效率，並改善只能以關鍵字搜尋的缺點。本論文系統具有可擴充性，因此未來會加入更多不同話題的文章來當作訓練資料，為了提升效率，本論文使用Spark叢集架構來加快模型訓練的速度，並參考邊緣運算(Edge Computing)的概念來將訓練模型、載入模型的架構分開運算，以此提高整體系統的執行效率。本論文

為了評估ACARP在真實情況下是否能夠符合使用者的需求，做了系統實際使用回饋統計，並根據使用者的回饋內容來調整系統模型的參數，藉此訓練出真正讓使用者滿意的模型。