• 計畫目標

世界衛生組織於2019年，提出關於患者安全的 10 個事實(10 facts on patient safety)，指出手術仍然會導致高併發症和死亡率。每年有近 700 萬外科手術患者出現嚴重併發症，其中 100 萬人在手術期間或手術後立即死亡。系統文獻回顧的研究發現，因手術或麻醉的不良事件導致19.3-52.2%非預期性加護病房轉入。許多證據顯示，不同的麻醉因素會影響病人預後。各類監測器的使用，可了解合適的麻醉深度；提供診斷的依據，及即時反應介入後的效果。然而現實中臨床繁重工作和人為因素，導致手動頻繁反饋不易達成。本計畫試圖設計麻醉手術中的自動控制(control)和反饋(feedback)系統，以提供更佳的臨床建議，讓麻醉醫師可提供更優化的臨床照護，保障病人安全。

• 計畫目標

2017年世大運由台北主辦，在台灣吹起了一陣運動旋風，世大運的比賽項目中，標槍的鄭兆村打破亞洲紀錄，舉重的郭婞淳、滑輪溜冰的陳映竹更是打破了世界紀錄。中華隊在羽球的項目中，得牌表現也是非常優越的；其中，羽球好手戴資穎為了將獎牌留在台灣，放棄佔有積分的世錦賽而留在臺灣打世大運，更是感動了不少台灣人，讓台灣掀起一陣羽球旋風。

乘著這波羽球運動的潮流，我們希望能藉由選手的經驗，結合影像科學、深度學習、數據科學的技術，進一步分析羽球的技巧、要點，期望藉由這些技術能找出選手訓練時的盲點，也能藉由分析成果培訓更多國家級的優秀選手。

過去我們的成果多著重在分析前的準備階段，為此開發出兩套模型分別用於羽球軌跡分段以及球種之辨識，並對這些資訊作出一些簡單的統計。

在這次計畫中，我們將更進一步的分析這些資料，開發出算法用以計算球員擊球習慣、強項與弱項，以及得失分球路等，並以互動式的方式呈現。此外，除了與資料庫方面進行更深入的整合外，也開發出回合的預測模型，用以預測及提取出重要的球路。

在今年更接續我們所開發的羽球回合的預測模型，進一步開發一套全新的深度學習模型，用以預測選手在球場上的移動與所打的球種。基於過去在回合預測模型的成功，以及賽事資料的不斷增加，目前我們正在開發深度模仿學習模型去建立每位選手的虛擬球員，用以模擬不同球員之賽事，將賽事分析的範圍由單一回合擴展至整場比賽。

• 計畫目標

假新聞、假消息對於台灣社會信任與穩定度的影響逐漸受到政府的注意，近年來也有許多事實查證相關的聊天機器人或網站，例如：line上有美玉姨、網站上則是有TFC 台灣事實查核中心、島民衛星及g0v等各方團體（ 包含實體網站與臉書粉絲團等）。以島民衛星為例，查核的方式利用蒐集新聞和網路傳聞訊息，透過人名辨識、新聞分群、關鍵字標籤和新聞分析，和使用最新的語言處理技術 BERT 來分析文章風格，藉以判斷新聞媒體風格、內容、立場等。另一方面，line美玉姨則是以大數據的方式建立資料庫，由志願者幫忙過濾。

然而，目前存在的事實查證方式較少提供互動查詢，大多為單向提供查詢（如：美玉姨，輸入資訊後藉由關鍵字方式協助辨識真偽）或單向提供訊息（如：島民衛星、TFC台灣事實查核中心，在網站上提供各種已查核過的訊息供人閱覽），缺乏訊息連結與雙向互動，也較少有錯誤訊息源的追蹤，更鮮少針對假新聞的傳播模式進一步分析。

在本計畫中，我們預計在第一年尋找並調整適合的人工智慧新聞文章真偽辨識方式並建立知識網絡圖，第二年利用第一年所研發的辨識技術，回推到媒體、新聞散播者的消息可信度，第三年蒐集社群網站相關資料對假新聞進行分析，找出假新聞傳播的模式特徵及結構以回推假訊息來源，並利用第二年的成果辨識來源可信度，找出社群網站中散播假新聞的重要節點。技術與知識網絡圖皆與其他子計畫訊息平台共享，提供給網站使用者互動式的訊息判斷與查詢方式。找出各個消息來源可信度後，我們希望能找出可疑訊息的源頭，澄清消息並停止假消息散播。得到假新聞傳播的模式特徵及結構更有助於在假新聞尚未傳播開前及早阻止。

• 計畫目標與簡述

本項專案計畫總共分成四項子計畫。子計畫一根據銀行提供的資料，建立消費者行為模式。子計畫二根據資料，產生據影響力的文字與分析。子計畫三為針對對話機器人，進行UIUX的設計。子計畫四則為資料視覺化。

在這四年計畫，我們總計發表了29篇論文至國際性學術研討會與專業期刊。共可分成四項亮點，分別是「簽帳行為預測與其應用」、「金融產品預測與自動標題產生」、「任務導向聊天機器人」與「金融資料視覺化與互動性」。

更多詳細內容請參考此連結。

• 計畫目標

主要透過 GNN (Graph Neural Network) 預測全臺房屋價格，建置高準確度的 AVM (Automated Valuation Model) 模型，房屋類型包括公寓、大樓、透天厝。

同時，考慮到上線後的實際需求，我們也嘗試使用 Self-supervised Learning (自監督式學習) 的方法，在不降低模型準確度的前提下，減少模型的 inference time。

• 計畫目標

過往在進行機器學習任務時，大多利用使用者個人交易紀錄當作特徵，套入模型來學習其行為，而這將很難利用到豐富的社交網路資訊。例如某使用者的二階鄰居，或是使用者的交易拓撲行為等。

在此計畫中，我們利用使用者交易紀錄建立轉帳網路，並利用圖神經網路 (Graph Neural Network) 學習使用者之間的關聯，對每位使用者產生各自的特徵向量。期望能在各種下游任務 (downstream tasks) 中，如警示帳戶偵測、轉帳次數預測等，都能利用該特徵向量而有不錯的成果。

• 計畫目標

對於銀行業者，主管機關通常會要求銀行端偵測異常帳戶，因為管理帳戶是銀行本身的責任。而對顧客而言，如果某間銀行有太多有問題的帳戶，會造成顧客對於該銀行的不信任，銀行的商譽會受損。基於以上理由，銀行必須要有偵測警示帳戶的機制。

警示帳戶是一些有關於犯罪的帳戶，例如詐騙集團用的人頭帳戶，或是官司中牽扯金錢被告者的帳戶。這類警示帳戶過往都是透過警察機關，在下一個月時公布前一個月的警示帳戶，銀行才針對這些帳戶進行處理，像是禁止其提存轉匯等。

此次計畫將利用金融科技來偵測警示帳戶，透過機器學習的方式，學習模型以找出可疑的警示帳戶，減少過往耗時耗力的逐戶檢核流程。帳戶異常偵測技術能協助金融機構早期偵測可疑的犯罪帳戶，使金融單位能事先預防，並協助警政單位及時阻止犯罪行為發生

• 計畫目標

為了減少銀行發送eDM的成本及提升發送eDM的效率，達到更精準的行銷，本研究透過分析客戶的基本資料、過去的消費行為以及過去開啟eDM的行為，以及eDM所推銷的內容，來預測客戶是否會對某類的eDM感到有興趣，進而開啟了eDM。這模型稱為eDM開啟模型，其主要目的是為了匹配客戶其適合的eDM，減少eDM隨意的投放所造成的垃圾及干擾，並且讓客戶可以得到有用且需要的資訊。

• 計畫目標

根據每個使用者的歷史行為，我們可以知道關於使用者在時間、空間、類別、金錢等面相的資訊，更了解使用者的行為模式及需求。延伸先前的使用者特徵檔案建立，在此項研究中，我們選取購買者與非購買者的線上瀏覽記錄，分析兩者間的瀏覽行為，並建立模型預測購買者的喜好及可能購買的物品。綜合瀏覽行為分析，我們可以推得「瀏覽行為和購買行為有高度正相關」，以瀏覽資料可以預測其購買行為。

• 計畫目標

在 Off-Line 顧客消費行為建模中，時間、空間、金額、類別等不同隨機變數之間關聯緊密，我們利用推論演算法學習，同時與玉山銀行的專家合作，建立更符合實際應用的模型，分析顧客消費金額、地點、時段等。

考慮使用者過去行為，含 Spatio、Temporal、Payment、Category 四大類的特徵，例如：消費時間是假日或非假日、每月交易額度、常去區域、常消費類別、最近消費紀錄模式形成的馬可夫鏈、週期等。我們觀察相關資料分布，建立機率模型，預測可能消費類別和地區，可應用於廣告精準行銷，對準消費機率高的潛在顧客，提高整體簽帳金額。

• 計畫目標

網路電商服務中，重要的就是讓顧客在使用電商網站時，能夠感受到便利性與易用性，才能增加顧客黏著度。設計出吸引人的網站的方式有很多，例如我們在先前的研究中，利用圖神經網路模型結合外部網站的瀏覽資料，並找出顧客可能會想購買的產品，在顧客進入網站時即時預測想購買的商品並推薦給他；抑或在購買時對於商品的任何問題都能快速獲得解答，都是可以增進顧客使用體驗的方法。 在本期計畫中，我們將使用自然語言處理自動化分析顧客對產品提出的問題，對每個進線問題的意圖分類 (Intent classification) 後對應到客服的相關處理流程，以期降低客服團隊回答問題需耗費的時間與人力成本。

• 計畫目標

在先前的計畫中，我們使用內部網站的使用者瀏覽資料，能得知使用者從進入網站瀏覽商品到購買商品的軌跡，從而建立knowledge graph。然而，即使使用者在站內瀏覽路徑相同，平時的瀏覽習慣如使用不同論壇，不同搜尋引擎等，可能會影響使用者的後續行為( 如購買與否有興趣的方面等），因此也是使用者分群的參考依據之一。本期計畫中，我們希望能結合外部網站瀏覽足跡，將使用者分群做得更完善並應用至推薦系統中。

• 計畫目標

網路電商服務的興起，改變了過去人們規劃一趟旅程的習慣。以往大家會從旅遊書、親友口耳相傳中，得知旅遊景點的資訊、特色、價格等等，而如今大家普遍偏好在網路上尋找所有資訊。在網路電商普及後，更有許多人會選擇在出發前預先購買好行程。

本計畫利用使用者瀏覽足跡以及商品資訊，例如標題、部落格內文、產品銷售紀錄等，將多樣產品綜合產生一個人化的產品標題，以幫助使用者更快了解套裝產品資訊，並幫助業者提升銷售量，達到雙贏的局面。

• 計畫目標

推薦系統已是各大網路平台提供的重要服務之一，對於用戶而言，由於使用者時間有限，再加上旅遊產品內容複雜，如何幫助用戶發掘好產品成了項重要且不可輕忽的議題。對於平台來說，如何在有限的空間中選出用戶最有可能點擊的商品也是至關重要的議題。

本計畫結合使用者瀏覽足跡、訂單資料以及外部資料，對使用者建立使用者模型，並利用此模型依據個人差異，提供客製化的推薦服務，更精準的推薦用戶較有可能喜歡的商品。

• 計畫目標

大眾運輸工具在人們的日常生活中已成為不可缺少的一部份，了解人們如何在城市內移動顯的至關重要。先前的成果多利用 GPS、Wi-Fi或是藍芽等方式來蒐集數據，而這將需要額外的設備才能進行。其他也有利到智慧感應卡來蒐集資料，然而不同的大眾運輸工具可能會有各自的智慧卡系統，且智慧卡並不能涵蓋所有的大眾運輸模式，這將使資料較難分析與利用。

近年來，幾乎每位民眾都有自己的手機以及網路，透過電信商的行動數據，我們就有機會可以從中得知民眾的交通方式與進行人流分析。

因此，給定一組行動數據，我們提出了一個用於大眾交通模式檢測 (public transportation mode detection)、人群密度估計 (crowd density estimation) 以及人群流量估計 (crowd estimation) 的系統。這邊特別注意，我們只有利用行動數據，而不需要額外透過額外的感應器來蒐集資料。最後我們使用來自台灣最大的電信公司，台灣電信，的資料，展示我們成果的有效性。