Enhancement synonym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

基於數據增強的情感辨識技術

為了解決Enhancement synonym的問題，作者黃智暘 這樣論述：

近年來，隨著科技的進步與社群媒體的普及，有更多的人在網路上發表自己對某些事情的看法與意見。若能即時分析作者在做出這個言論時的情緒狀態，則可以讓我們更加快速的瞭解大眾對於現今各項議題的情緒反應。進而將這些資訊提供給企業、政府、機構、組織等等，並做出相對應的回應。　　本研究資料集(DataSet)來源是自然語言處理與中文計算國際會議(NLPCC)中的NLPCC 2018 Shared Task1。其中情緒類別有快樂、悲傷、憤怒、恐懼、驚訝、以及無任何情緒六大類別。總共有6000個句子，且各項情緒是不平衡的。所以需要先做資料前處理，接著對於較少情緒的類別做隨機抽樣。最後透過數據增強技術增加句子數量

，使得各項情緒趨近平衡。目的為防止訓練時過擬合以及增加其分類準確率。　　本研究採用Word2Vec模型來進行詞向量的訓練，以詞向量的結果來做同義詞替換，接著採用BERT-wwm-ext模型進行分類與評估。評估的方式主要為Accuracy、Precision、Recall、和F1-sorce。本研究將探討數據增強前後的差異，對同義詞替換法不斷嘗試、修正與調整，以提高準確率。在不改變原本句子結構的前提下做增強，分別比較並分析其個別差異：替換(1)單一詞彙、(2)雙詞彙以及(3)多詞彙與(4)單純只透過翻譯來增強數據集。又以(3)最佳，準確度為79%，分別高出(1) 4%、(2) 3%、(4) 16

%。

華語作為第二語言初學者的高頻率華語詞彙教學案例研究

為了解決Enhancement synonym的問題，作者周亭妤 這樣論述：

本研究旨在調查教授短期居住在台灣的華語初學者高頻率詞彙的有效性，為了滿足這些特殊華語初學者的學習需求，本研究從國家教育院口語語料庫(COCT)的常用2000詞彙中選擇了20個高頻率使用詞彙，並根據學習者的學習需求進行教學。本研究還採用了 Paribakht 和 Wesche’s (1997) 的單字知識等級表 (VKS) 作為詞彙教學前和詞彙教學後的測量表，透過單字知識等級表測量學習者對這20個目標詞彙的習得表現，測量結果顯示，學習者幾乎習得這20個目標詞彙。本研究得出的結論是，透過任務型教學法教授學習者高頻率詞彙是有好處的，與此同時，教授高頻率詞彙也可以提升初學者學習華語的動機。