「T毛可以吃泡芙嗎」是由建國中學高三同學組成的團隊
以Deep Learning為出發，實作題目為 Sorting Hat Based on Learning Techniques：在輸入某人口述個人特性及偏好，利用機器學習等技術，找出此人特徵並分析，概念為模仿奇幻小說中的分類帽進行挑選的過程。
緣起：為什麼選這個主題？
一開始找題目的時候我們也是苦無靈感，很多東西大家都做過了，玩不出什麼新花樣，後來在指導老師的建議下我們決定朝「音訊」方向著手──針對一段語音輸入做一些有趣的事。但是要做什麼呢？我們很快想到了聊天機器人，然後我們（不知道為什麼）就想到了電影《哈利波特》中的分類帽（Sorting Hat）也是跟新生魔法師們聊天來決定他們所屬的學院，那麼我們能不能透過讓使用者輸入一段語音──有點像是自我介紹，但同時又像是在聊天──來判斷使用者是屬於哪一類群（例如哈利波特中的四個學院）？於是，我們踏上了成為魔法師之路……
（Picture originated from The Sorting Hat by sahinduezguen）
實作：做出一頂分類帽！
要幫使用者分類，我們要先了解所有類群間的差異性，再將這些差異用一些特徵（features）表示，最後只要從使用者輸入的文本中萃取出與特徵相關的字，判斷哪個類群所含特徵與這些字最符合，就能夠分類了。
以《哈利波特》中學院分類為例，霍格華茲的學生都很勇敢、而史萊哲林的學生個個陰險狡猾，這些「勇敢」、「狡猾」、「機智」等等都是各學院的特徵。從網路上公信力夠高的網站（Harry Potter Wiki）查到四個學院各自擁有的特徵，作為我們分類的標準，再將使用者的文本與之比對即可。
但是問題來了，要如何實作「比對文本與特徵」呢？我們使用 google 的 word2vec ，這個套件可以透過將文本中的字轉換為向量空間，所以我們把 Harry Potter Wiki 的內容全部丟進去， train 出一個完全是哈利波特世界的字的 model ，所以接下來我們只要把使用者說的內容拆成單字，丟進去與每個學院的每個特徵形容詞取距離，在針對各學院間特徵直取平均，看哪個學院的平均距離最短就是解答了對吧？
（Picture originated from http://harrypotter.wikia.com/wiki/Gryffindor）
挑戰及如何解決：專案期間遇到什麼困難，怎麼突破？
事情當然沒有那麼簡單，我們遇到的問題大致可以分成以下幾點：
- 詞性問題
- 中性字
- 單一學院中特徵間差異
詞性問題
大家都知道在英文中，brave 跟 bravery 之間的差別──形容詞與名詞，雖然兩個字都是指「勇敢」，但在向量空間中這兩個字會距離很遠，因為同詞性的字才會聚集在一起，所以我們把名詞和形容詞都當成特徵來算距
離。但是這樣會導致使用者中針對同一類特徵（如brave、bravery）之距離不同而且差異不小，這個問題我們會在第三點說明。
中性字：
我們發現使用者說的文本中，幾乎百分之八十的字與各學院的距離沒有太大的差異，例如我說 " I am a brave boy. "這段話除了 brave 以外的字跟各學院的距離幾乎一樣，我們把這種對分類判斷影響不大的字稱做「中性字」。但是如果放著中性字不管還是會對結果造成影響：原因是我們發現即使是中性字也會與某一特定學院（Slytherin）是最接近的，可能 A 這個字跟 Slytherin 距離0.001而與其他學院距離0.000999，乍看之下影響不大，但由於使用者是在與分類帽聊天，輸入的單字量其實足夠大到超過正常字（相對於中性字）造成的影響。
解決這個問題的辦法是，利用標準差把中性字篩掉，如果我們發現某個字與所有特徵字距離的標準差小於一定值，表示他跟所有字的距離差不多，那就判定為中性字。
單一學院中特徵間差異：
第一點有提到這個問題，用個簡單的例子說明：courageous 和 brave都是勇敢的意思，所以使用者說到 courageous 時我們會判斷他是屬於葛來分多的特徵字。但是由於要解決詞性問題，當我們使特徵字具有多種詞性（這裡是形容詞與名詞），就會造成 courageous 雖然跟 brave 距離很近但可能跟 bravery 很遠，遠到我們在做學院特徵字平均時影響過大而造成誤判。
在這種情況我們改良我們取距離的方法──選取各學院中特徵值最短的距離，而非平均距離，這樣能夠避免向量空間中特徵分布不均造成的偏差。
發展：接下來如何讓這個專案持續？想要做到什麼？
解決完上述問題我們終於勉勉強強做出一頂分類帽，但是又不是每個人都想成為魔法師，那我們做這個有什麼用呢？
其實回到一開始的問題，分類帽充其量就是在分類，所以舉凡生活中的分類問題我們都可以用這套方法來實作。像是市面上又有所謂的「投資風險屬性調查問卷」給投資者填寫，以利了解自己是屬於風險型或保守型，這種問卷型的調查分類方式就可以改為我們的「聊天分類」，除了不用看一堆密密麻麻的字勾選自己是哪一種人，或是在對某項事情的1~10評分中猶豫到底要寫6還是7，聊天分類可以以更直觀的方式提供使用者分類功能，而更可以根據使用者的反饋來持續改進聊天分類系統，再加上銀行推出的 chatbot 諮詢服務（http://www.ithome.com.tw/news/112450），讓金融業更簡便而精確地幫助使用者選擇投資風險類別。