fb貼文限制對象破解的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列推薦必買和特價產品懶人包

利用文字探勘與機器學習建立假新聞自動偵測模型與平台：以某內容農場醫療類新聞為例

為了解決fb貼文限制對象破解的問題，作者江純雅 這樣論述：

中文摘要研究背景隨著網路科技與社群媒體的蓬勃發展，民眾透過網路搜索及社群媒體瀏覽新聞已是生活常態，近年AI語言模型驚人的文字生成能力，假新聞在網路及社群迅速蔓延，尤其COV-19冠狀肺炎流行時期，網路訛傳的假訊息已嚴重影響人們的生活。本研究將透過文字探勘與機器學習技術建立假新聞偵測模型，以某個案內容農場醫療健康類新聞為例，透過研究開發的自動化工具偵測判讀其新聞的可信度，研究成果將建立醫療假新聞查核平台「醫療通」，提供民眾查證健康類新聞，防止不當假訊息散播。研究方法研究透過「TF-IDF」及「Word2Vec」及Google深度學習模型「Bert」自然語言處理方法，利用詞向量產生的文字特徵，我

們透過機器學習訓練並建立假新聞偵測模型，實驗中並比較不同文字探勘及機器學習分類法的採用在各項評估模型指標之效力分析，最後以其中AUC值最高的模型來探討研究個案內容農場新聞的真實性。研究結果研究共蒐集四家查核機構共5,063筆，加上具公信力之康健網站共536筆，其中排除無效、少於200個字及部分錯誤或正確的文章，最後採用之訓練資料為3,523筆，結果以Bert深度學習語言模型設定單層感知器(SLP)的模型效力最高，準確率為87%，F1 Score為0.85，AUC值為0.93，代表模型達到「極佳」的效力；而Bert加入多層感知器(MLP)的模型準確率為85%，F1 Score為0.84，AUC值

為0.93，兩者差異並不顯著。而以TF-IDF加入多層感知器(MLP)分類器的準確率為83%，F1 Score為0.81，AUC為0.90亦達到「極佳」的效力；以Word2Vec使用SVM機器學習分類法建立的模型準確率為83%，F1 Score為0.80，AUC為0.87，達到「良好」的效力。由實驗了解，加入多層感知器(MLP)的分類模型並沒有達到最好的模型效力。而Bert已是深度學習語言代表模型，有無多層感知器(MLP)的差異不大，皆可達到「極佳」的效力。研究結論以實驗中建立之最佳模型判讀研究個案的醫療類新聞共349筆，發現假新聞比例高達56%，可見該內容農場上的醫療資訊可信度不高，民眾應多

利用事實查核平台查證。關鍵詞：假新聞、自然語言處理、NLP、Bert、機器學習、深度學習、MLP

財經部會社群媒體策略分析—以中華民國財政部Facebook粉絲專頁為例

為了解決fb貼文限制對象破解的問題，作者呂佳紋 這樣論述：

網路社群時代的來臨，政府機關逐漸將宣導重心轉移至社群媒體，尤以Facebook（臉書）粉絲專頁最為廣泛使用，藉其互動性及傳播性以彌補傳統媒體之不足，塑造政府機關親民形象之餘，亦有助於提高施政成效，故找出粉絲專頁最佳貼文策略，強化政府社群之經營績效，即為重要且備受關注之議題。本研究以財政部經營之「中華民國財政部」粉絲專頁為研究對象，篩選出318則貼文樣本進行敘述統計、交叉分析及迴歸分析，並探討貼文訊息因素對粉絲互動行為有無正向影響。貼文成效以「按讚數」、「留言數」、「分享數」為評判指標，策略因素則參考既有文獻後，再根據研究個案選取適合者共12項。研究實證發現，對粉絲互動行為皆有顯著正向影響者為

訊息娛樂性及訊息澄清性；對按讚及分享有顯著正向影響者為訊息民生性；而對按讚有顯著正向影響者為感性訴求。因此，政府機關如欲透過Facebook粉絲專頁作政策溝通，並即時有效地傳遞正確資訊，可參酌五項貼文成功策略，包含提高貼文之娛樂性、提高貼文之民生性、重視貼文澄清效力、提升貼文情感訴求以及貼文內容勝於媒介。最後，綜合研究成果作為財政部等財經部會社群經營之方向參考，亦提出研究限制，建議未來研究可納入考量。