Eliminate synonym的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

食品闢謠查核輔助系統

為了解決Eliminate synonym的問題，作者陳崇華 這樣論述：

假新聞、謠言一直是全球最重大的問題之一，在台灣，社群媒體也深受假新聞其害，自從 2014 年台灣食安風暴後，台灣人對於食品健康與安全的重視度也隨之上升。食品假新聞與謠言的數量也隨著人們對於食品安全的恐懼感上升，這些食品謠言不但會影響大眾對於飲食的觀念，嚴重的情況下甚至會導致聽信偏方的患者延誤就醫，造成不可挽回的傷害。然而，假新聞危害如此嚴重，日常中所使用的 line 社群軟體卻還是有各種食品假新聞在傳播; 遺憾的是，在台灣食品藥物管制署 (FDA) 的闢謠資訊更新的速度還遠遠不及假新聞增長的速度。為了解決此問題，本文提出一個系統輔助架構，利用分類、分群、詞嵌入等機器學習演算法，讓組織端可以藉

由使用者查詢系統的資訊，不但能增進澄清謠言的速度，還能淘汰非謠言的查詢，降低組織端人力成本及增加闢謠效率。對於使用者端，倚靠相似度查詢以及適當的前處理，可以解決同義字食品被查詢的問題，此外，使用 K­medoid 分群演算法，降低每次查詢的複雜度，提升使用者查詢的速度。

運用論文引用關係與論文標題分析建構基於概念之學術文獻搜尋方法

為了解決Eliminate synonym的問題，作者黃正鵬 這樣論述：

一般運用關鍵字以及內文配對搜尋的文獻檢索系統，往往無法提供足夠且符合文獻綜述 (literature review) 的需求之結果，造成學術文章搜尋及研究過程總是需要耗費大量的時間整理資訊。在研究初期，研究人員往往缺乏某領域的背景知識，因此易受限於使用錯誤的關鍵字搜尋，而找到不重要甚至不相關的文獻。而一字多意或是多字一意，以及相關背景知識的不足，是造成此現象的兩大主因。而多個文字的組合不但能解決字意混淆的問題，同時也能更清楚表達一個完整的概念，本論文使用概念以及概念之間的語意關係來重現學術文章，取代掉以往使用詞彙向量 (term-document vectors) 的處理方式。本論文提出一個

運用概念搜尋文件的方法，用來解決字意模糊在詞彙或關鍵字配對搜尋方法中所造成的問題。並使用一個基於圖形的模型 (graph-based model) 來重現學術文章標題中所包含的概念，以及利用引用關係取得的相關的概念及研究。並利用圖形演算法以及引文網路分析，計算出一個分數來表示每個概念在各個文件中的相對重要性。因此，使用者在輸入一主題後，本方法會根據其相關的概念，以及計算過的每個概念在文件中的重要程度之分數，回傳與其搜尋主題之相關研究，藉此提供更完整的知識以利做進一步的學術研究。本論文將所提出之方法，實作在 CiteSeerX 之論文資料庫，總共約有 360萬筆學術論文。我們使用不同領域的主題搜

尋，發現其回傳結果皆能回傳與主題相關的文章，並同時能揭露其中所包含的技術、理論等知識，以及這些相關概念之發展趨勢。