陽明股票ptt的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

運用BERT於稅制改革輿情分析，探討評論品質之情感分析─以房地合一稅為例

為了解決陽明股票ptt的問題，作者李忠憲 這樣論述：

過往政府推動稅制改革時，為了確保能夠多方參考不同意見，多以召集專家學者舉行座談會、研討會等方式先擬出草案，再輔以民調或問卷等抽樣統計方式來蒐集民眾的意見。隨著網路社交媒體的出現，民眾在網路上發表評論與意見，形成所謂的「網路輿情」。相較於傳統方式，透過對網路輿情的分析，能夠快速及廣泛的了解民眾對稅制改革的意見。但民眾對於與其經濟活動息息相關的稅制改革，往往批評多過於建議，使得真正有用的評論被淹沒在大量的無用評論中，最後模糊了政策討論的焦點。因此，在眾多的輿情中快速辨別出真正有用的評論，才能使政府獲得真正有用的意見反饋。 本研究藉由蒐集網路社交媒體上有關房地合一稅的評論與意見，運用

BERT語言模型結合深度學習來對評論的品質進行分類，並評估分類模型的有效性及性能後，將有用的評論進行主題建模，提取出民眾所關心的房地合一稅關鍵主題與單詞。 本研究先以調整分類模型的學習率及訓練週期等兩項超參數進行實驗，結果顯示所有組合的AUC平均為86.79%，且平均準確率達到82.20%，代表所建構的模型具有分類預測能力。其次，為了優化模型，將不平衡資料集加以調整，使有用及無用的評論筆數以1：1的比例進行實驗，在準確率幾無差異的情形下，平均精確率來到80.19%，大幅提升了12.26%，代表模型的分類性能有所提高。最後將經過評論品質分類後的評論進行主題提取後發現，民眾最關心的主題表現在

「囤房稅」及「房價」上，說明民眾對於房地合一稅的效果抱持保留的看法，希望能加入囤房稅等配套措施，以真正達到抑制炒房、平穩房價的效果。 經由實驗結果顯示，本研究所建構的評論品質分類模型，對於由網路社交媒體上所蒐集到的輿情，可以篩選出真正有用的評論與意見，希望未來能讓政府部門快速掌握真正有用的輿情，並做為制定公共政策時的參考。