企業無論規模大小無論身處何處，每分每秒皆處在充滿競爭的環境之中，企業必須不斷的成長才能存活，而數位轉型是企業尋求生存之道時的熱門方法，相關的研究文獻與討論從未停歇，對企業而言，數位轉型是不斷持續的過程，然而，與數位轉型相關的科技與工具的研究文獻數量龐大，且依據時間急劇增加，研究者與企業很難跟蹤研究主題隨時間的演變及相關主題的擴散狀態。
因此本研究運用機器學習與巨量資料分析，因此透過機器學習與巨量資料分析的技術，以基於深度非負自編碼器(Deep Non-negative Autoencoder ,DNAE)開發的主題模型(Topic Model)，分析自2007年至2023年的文獻資料(共計約4萬篇文獻)，宏觀且清晰地了解數位轉型涵蓋的主題發展脈絡及趨勢，為企業和研究者提供未來發展方向的參考。
本研究主要貢獻在於，透過 DNAE 模型與線上學習方法，成功快速找到主題與詞彙，並觀察主題變化與詞彙分佈，研究結果可為企業與研究者提供數位轉型趨勢參考。

Regardless of size or location, businesses operate in a highly competitive environment where continuous growth is essential for survival. Digital transformation has emerged as a popular approach for businesses seeking to thrive, leading to continuous research and discussion in this field. For businesses, digital transformation is an ongoing process. However, the volume of research literature on digital transformation-related technologies and tools is vast and rapidly increasing, making it challenging for researchers and businesses to track the evolution of research topics over time and the diffusion of related themes.
Therefore, this study employs machine learning and big data analytics techniques, utilizing a topic model based on Deep Non-negative Autoencoder (DNAE), to analyze approximately 40,000 documents from 2007 to 2023. This approach aims to provide a macroscopic and clear understanding of the developmental context and trends of topics covered by digital transformation, thereby offering a reference for future directions for both businesses and researchers.
The primary contribution of this study lies in the successful application of the DNAE model and online learning method to rapidly identify topics and terms, and to observe the changes in themes and term distributions. The findings can provide valuable insights for businesses and researchers regarding digital transformation trends.

論文審定書 i
誌謝 ii
摘要 iii
Abstract iv
目錄 v
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機與目的 1
第二章 文獻探討 3
第一節 數位轉型 3
第二節 主題模型 Topic Model 4
第一項 時序主題模型 Time Series Topic Model 5
第二項 非負矩陣分解 Nonnegative Matrix Factorization(NMF) 5
第三項 多層主題模型 Multi-layer topic model 6
第三節 深度學習 7
第四節 線上學習(Online Learning) 7
第三章 研究方法及研究步驟 9
第一節 研究方法 9
第一項 基於自編碼的主題模型Topic model based on Autoencoder 9
第二項 在線式深度非負自編碼器Online Deep Non-negative Autoencoder(DNAE) 11
第二節 評估標準 11
第一項 評價詞彙擴散程度 11
第二項 主題關聯性的可視化 13
第三節 研究架構 13
第四章 研究結果 15
第一節 資料整理 15
第二節 研究流程 15
第三節 研究過程 16
第一項 原始資料—預測主題和詞彙 16
第二項 主題關係與演進的視覺化 17
第三項 詞彙演變 18
第五章 結論與建議 21
第六章 參考文獻 23
附錄A 25
附錄B 29

[1] G. Vial, 作者, 「Understanding digital transformation: A review and a research agenda」, J. Strateg. Inf. Syst., 卷 28, 期 2, 頁 118–144, 6月 2019, doi: 10.1016/j.jsis.2019.01.003.
[2] K. Schwertner, 作者, 「Digital transformation of business」, Trakia J. Sci., 卷 15, 期 Suppl.1, 頁 388–393, 2017, doi: 10.15547/tjs.2017.s.01.065.
[3] F. Zaoui及N. Souissi, 作者, 「Roadmap for digital transformation: A literature review」, Procedia Comput. Sci., 卷 175, 頁 621–628, 2020, doi: 10.1016/j.procs.2020.07.090.
[4] D. M. Blei, 作者, 「Latent Dirichlet Allocation」.
[5] X. Wang及A. McCallum, 作者, 「Topics over time: a non-Markov continuous-time model of topical trends」, 收入 Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining, Philadelphia PA USA: ACM, 8月 2006, 頁 424–433. doi: 10.1145/1150402.1150450.
[6] D. M. Blei及J. D. Lafferty, 作者, 「Dynamic topic models」, 收入 Proceedings of the 23rd international conference on Machine learning - ICML ’06, Pittsburgh, Pennsylvania: ACM Press, 2006, 頁 113–120. doi: 10.1145/1143844.1143859.
[7] Z. Gou, L. Han, L. Sun, J. Zhu及H. Yan, 作者, 「Constructing Dynamic Topic Models Based on Variational Autoencoder and Factor Graph」, IEEE Access, 卷 6, 頁 53102–53111, 2018, doi: 10.1109/ACCESS.2018.2869838.
[8] J. Cendrero, J. Gonzalo, M. Galletero及I. Zapata, 作者, 「Time Series Impact Through Topic Modeling」, IEEE Access, 卷 10, 頁 97327–97347, 2022, doi: 10.1109/ACCESS.2022.3202960.
[9] T. Griffiths, M. Jordan, J. Tenenbaum及D. Blei, 作者, 「Hierarchical Topic Models and the Nested Chinese Restaurant Process」, 收入 Advances in Neural Information Processing Systems, MIT Press, 2003. 引見於: 2024年6月27日. [線上]. 載於: https://proceedings.neurips.cc/paper_files/paper/2003/hash/7b41bfa5085806dfa24b8c9de0ce567f-Abstract.html
[10] D. Tu, L. Chen, M. Lv, H. Shi及G. Chen, 作者, 「Hierarchical online NMF for detecting and tracking topic hierarchies in a text stream」, Pattern Recognit., 卷 76, 頁 203–214, 4月 2018, doi: 10.1016/j.patcog.2017.11.002.
[11] Y. LeCun, Y. Bengio及G. Hinton, 作者, 「Deep learning」, Nature, 卷 521, 期 7553, 頁 436–444, 5月 2015, doi: 10.1038/nature14539.
[12] G. E. Hinton及R. R. Salakhutdinov, 作者, 「Reducing the Dimensionality of Data with Neural Networks」, Science, 卷 313, 期 5786, 頁 504–507, 7月 2006, doi: 10.1126/science.1127647.
[13] S. C. H. Hoi, D. Sahoo, J. Lu及P. Zhao, 作者, 「Online Learning: A Comprehensive Survey」. arXiv, 2018年10月22日. doi: 10.48550/arXiv.1802.02871.
[14] Y. Kang, I.-L. Cheng, W. Mao, B. Kuo及P.-J. Lee, 作者, 「Towards Interpretable Deep Extreme Multi-Label Learning」, 收入 2019 IEEE 20th International Conference on Information Reuse and Integration for Data Science (IRI), Los Angeles, CA, USA: IEEE, 7月 2019, 頁 69–74. doi: 10.1109/IRI.2019.00024.
[15] Y. Kang, K.-P. Lin及I.-L. Cheng, 作者, 「Topic Diffusion Discovery Based on Sparseness-Constrained Non-Negative Matrix Factorization」, 收入 2018 IEEE International Conference on Information Reuse and Integration (IRI), Salt Lake City, UT: IEEE, 7月 2018, 頁 94–101. doi: 10.1109/IRI.2018.00021.
[16] S.-M. Hung, 作者, 「Topic Evolution and Diffusion Discovery based on Online Deep Non-negative Autoencoder.pdf」. 2020年.
[17] K. Stevens, P. Kegelmeyer, D. Andrzejewski及D. Buttler, 作者, 「Exploring Topic Coherence over Many Models and Many Topics」, 收入 Proceedings of the 2012 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning, J. Tsujii, J. Henderson及M. Paşca, 編輯, Jeju Island, Korea: Association for Computational Linguistics, 7月 2012, 頁 952–961. 引見於: 2024年7月1日. [線上]. 載於: https://aclanthology.org/D12-1087
[18] D. Greene, D. O’Callaghan及P. Cunningham, 作者, 「How Many Topics? Stability Analysis for Topic Models」. arXiv, 2014年6月19日. doi: 10.48550/arXiv.1404.4606.