IMDb ranking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

增強資料特徵之抽象文本分類技術研究

為了解決IMDb ranking的問題，作者劉曄珊 這樣論述：

Arxiv網站是一個集合了物理學、數學、計算機科學、生物學及數理經濟學的論文的網站，此網站是造就出版業中可以開放擷取論文的因素之一，此網站蒐集了數百萬篇學術及技術文章供使用者免費閱讀存取，Arxiv網站從1991年至2022年共收入超過1,987,800篇文章，在2020年的Sci-hub影響力分析中發現，在Sci-hub下載的文章是其他未提供自由下載期刊網站的的1.72倍，這顯示出版物的限制瀏覽也會限制某些科學研究無法充分發揮其影響力。為了快速及準確的在百萬篇文章中搜尋最貼近需求的文本，過去有學者透過摘要文本技術進行各項研究，例如:透過文本分類技術找出關鍵字詞或語句中的詞性來進行標籤分類。

也有學者透過類神經網路進行惡毒評論標籤辨識。然而常見的分類早已無法滿足使用者的需求，因此如何讓機器自動學習摘要文字且準確進行分類，已成為了現今重要的議題。基於上述文本分類的重要性，本研究運用AI CUP 2019:人工智慧論文機器閱讀競賽之論文分類競賽(https://tbrain.trendmicro.com.tw/Competitions/Details/9)所提供的Arxiv的論文摘要資料集，將摘要分成理論類、工程類、實證類及其它等四類。基於現今常見的機器學習分類之效能仍十分有限，因此本研究提出運用詞性還原及特徵增強兩種方法做資料預處理，資料預處理後產生三個資料集進行測試，再使用GloV

e及SCIBERT進行Pre-train後輸入至本研究的分類模型中。本研究使用機器學習及類神經網路模型進行測試，經比較後，選出SVM、GRU和BiGRU三種機器學習模型。實驗結果顯示資料增強的預處理方法適用於GloVe及SCIBERT模型。在GloVe模型中如沒有加強特徵之數據集其分類準確度可達到81.46%，但經過特徵加強後可提升至84.46%。而在SCIBERT模型下，未加強特徵之數據集的F1-score可達到73.11%，經過加強特徵後，數據集中而可提升至75.75%。由本研究之實驗可證明，本研究所提之資料增強方法，可提升文本摘要分類的準確率，而本研究所提的方法與實驗也較過往的AI CU

P比賽成果(F1-Score最高為75.15%)，有更好的效能。

結合時間因素與文字探勘技術建立電影推薦系統

為了解決IMDb ranking的問題，作者史博先 這樣論述：

隨著社會進入高度資訊化的時代，人們使用網路來獲取資料已是生活中的一部份，伴隨著資訊量的快速增長，資訊過載的問題也成了學者們嘗試解決的問題。而作為解決資訊過載的方法之一，推薦系統透過蒐集使用者或物品的相關資訊，協助使用者有效的過濾不必要的資訊，從而解決資訊過載的問題。而電影推薦系統為推薦系統研究中的熱門領域，並且隨著文字探勘技術與網路評論的普及，除了電影類別或評分等數據之外，使用者評論文本內容亦可作為描述使用者喜好的重要資訊。因此，本研究使用網路電影資料庫之使用者評論文本，並考量了時間對資訊價值的影響，建立混合式電影推薦系統並加以驗證其效果。希望透過本研究開發之推薦系統提供使用者與企業預測模型

，使其能過透此系統準確且有效的預測使用者喜好。本研究以IMDb網路電影資料庫Feature Film類別2010年至2020年熱門電影為研究資料，共60部熱門電影及836名使用者，以電影的基本資料、劇情關鍵字與使用者評論文本進行分析，將使用者評論文本關鍵字分類至電影不同面相特徵進行計算，透過KeyBERT與NGD實現文本處理，並以不同資料組合對使用者 – 電影評分矩陣補值進行補值，使用Time SVD、Funk SVD與協同過濾來建立預測模型。本研究所使用的工具包含Python3之自然語言處理工具和KeyBERT套件。加入時間因素的考量於實驗結果中相較於未加入者皆有更佳的表現，而資料組合中採用

電影相關資料與使用者評論文本資料進行補值，在不同模型與參數配置下皆獲得最佳的結果。在考量時間因素與採用電影相關資料與使用者評論文本資料組合的情況下，推薦模型獲得之最低RMSE為0.922185，最低MAE為0.515967。基於本研究之實驗結果，發現（1）加入對時間的考量，推薦模型能更有效的捕捉使用者興趣的改變;（2）不同的捕值方式可能會改變時間資料的分布，從而影響模型預測準確度;（3）使用電影相關資料與使用者評論文本資料，能使推薦模型有效的捕捉使用者與電影在不同面向的特徵。