ai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。 我們找到下列懶人包和總整理

探討台灣外送平台之使用者使用狀況－以Uber Eats與foodpanda為例

為了解決ai股票ptt的問題，作者謝承宏 這樣論述：

外送平台在台灣發展已逐漸成熟，它提供了想節省時間、不想外出或是天氣因素而無法去購買餐點的人一個很好的解決辦法，因此對於外送平台而言，了解使用者滿意度相當重要。使用者是最能直接接觸外送平台及合作餐廳的人，本研究採用批踢踢實業坊(PTT)取得使用者的線上評論作為樣本資料，蒐集的時間是2019年6月1日至2020年12月31日並蒐集到只使用過foodpanda的使用者為190人；只使用過Uber Eats的使用者為76人；同時使用過兩間外送平台的使用者為123人，利用描述性分析、成對樣本t檢定與Apriori關聯規則分析，對台灣兩大外送平台使用者的使用狀況進行調查。研究結果顯示只使用Uber Ea

ts的使用者認為主要優點在於退款的即時性、售後服務好、外送人員的態度好以及平台的回應速度佳，主要缺點在於外送人員的態度差、售後服務差、客服人員的態度差與優惠活動少。兩者同時使用的使用者給予Uber Eats正面評價在於配送訂單的速度快、客服人員的態度好、外送人員的態度好、售後服務好、平台的回應速度佳與平台的操作流程簡單；負面評價在於優惠活動少、外送人員的態度差以及售後服務差。只使用foodpanda的使用者認為主要優點在於優惠活動多、店家選擇多、售後服務好與退款的即時性，主要缺點是外送人員的態度差、售後服務差、客服人員的態度差、配送訂單的速度慢與平台的穩定性差。兩者同時使用的使用者給予food

panda正面評價在於平台價格與店內價格一樣、運費低、優惠活動多；負面評價在於外送人員態度差、售後服務差、客服人員態度差以及配送訂單的速度慢。Apriori關聯規則分析則發現一條foodpanda的規則，當外送平台使用者對外送人員的態度與售後服務不滿意時，同時會對客服人員的態度不滿意。透過調查台灣兩大外送平台的使用者使用狀況，了解使用者如何去選擇外送平台，以提供外送平台業者在使用者的角度即時做出改善與調整，避免流失既有的使用者族群，也藉此吸引新的使用者。關鍵詞：外送平台、使用者滿意度、社群論壇、關聯規則

應用深度學習探索網路輿論與股價變動相關性之研究—以PTT為例

為了解決ai股票ptt的問題，作者王宥杰 這樣論述：

本研究使用網路輿論的消息文本為素材，觀察消息面的因素如何影響股價變動。分別以傳統的詞袋模型、潛在語意分析、單詞崁入三種向量索引表示方法，搭配機器學習支持向量機和深度學習的長短期記憶網路和卷積神經網路兩種網路結構，建立股價漲跌的預測模型。實驗以消息發布後的下一交易日與之後數個交易日的股價漲跌標籤來進行模型訓練或測試。實驗的結果發現兩者之間未出現明顯的直接相關性，但仍可透過微小的訊號來追蹤股價的漲跌變動。由於採擷的文本資料量不足，模型不可避免地出現對訓練資料過適化的現象。在未來研究方向上，提出結合量化數據的模型設計、社交媒體文本的探索、Y變項的定義，以及情緒分析的納入等建議。