作者：Morty Lai
人類語言博大精深，科學家一直嘗試著讓電腦變得和人類一樣，具有感知、學習與協助決策的能力。自然語言處理(Natural Language Processing，NLP)成為近年來熱門且挑戰性十足的研究領域。但是，人類語言的博大精深，有辦法教會電腦理解嗎？尤其一詞多義的雙關語是運用詞的多義和同音條件，有意使語句具有雙重意義，言在此而意在彼的修辭方式。例如「這樣吃牛肉麵的話會很難吃」，在這個句子中的「難吃」可解釋為方法不對「很困難」進食，或指味道不好。這些不僅讓人類說話時要花上心思理解的修辭方式，以現在電腦處理的方式有可能最後產生的語言模型，並沒有邏輯、因果與知識。
在利用大型語言模型(Large Language Model，LLM)作為自動化輿情洞察報告的核心時，模型的語義理解能力對於報告的準確性有相當的影響。考量到網路輿情的龐大數量和多元來源，以及包含的各種表達方式，模型必須能夠正確地理解輿情內容，才能提供精準洞見。分析「蘋果」這一詞彙的網路輿情時，若不能夠妥善地分辨揪竟是農產品，還是電子產品，則也許會產生不盡理想的分析內容。因此，在建立自動化輿情洞察報告服務時，先對模型的理解能力進行全面評估是不可或缺的，這是讓輿情洞察內容能夠更為準確和可靠的事前工作。
若要了解模型理解力，可以藉由評測語意和邏輯一致性的方式，觀察模型對於多樣的表達方式以及複雜概念的認知程度。常見的語意和邏輯一致性，可以分成4種類型，分別是：
- 語意等價性(Semantic equivalence)：對於相同的語意，可以用不同的語句進行表述，若模型有較佳的認知能力，則可對於不同語句，但相同語意的內容，給予一致的回應。
- 否定與對立性(Negation property)：對於不同語意的內容，可能語句僅有微小的差異，例如：小明在上(放)學的途中，僅有一字之差，卻表示不同的語意。
- 對稱性(Symmetric property)：在包含兩個語句的問題或描述中，即便這兩個語句的順序發生交換，所給予的回答應當保持一致。例如，「蘋果很好吃」與「蘋果用起來很順手」中的「蘋果」是否指同一概念；再將兩個語句先後順序對換為「蘋果用起來很順手」與「蘋果很好吃」，此時句中的「蘋果」是否指同一概念。根據對稱性原則，這兩個問題應該得到類似的回答。
- 遞移性(Transitive property)：遞移性是指邏輯推理的遞移關係，以邏輯表達的方式敘述，可以視為，若a則b且若b則c皆成立，則若a則c也應該成立。一樣以「蘋果」來做遞移性測試，並可觀察同樣一句「蘋果很好用」，會被視為產品或工具，但也可能被視為農產品。由此可見，遞移性測試對於語言模型有相當的挑戰。
在完成理解力的相關評測後，一個直覺的疑問就是，如何讓模型有更好的理解力？常見的運用策略有以下三種，分別是「提示設計」、「少樣學習(few-shot learning)」和「模型尺寸提升」。提示設計指的是針對特定任務，嘗試使用多樣化的提示內容，以獲得更佳的回應效果。相關研究顯示，透過提示設計來增進語義與邏輯的一致性存在著相當的挑戰。因為，從實驗的統計數據來看，這種方法在提升一致性方面很難達到統計學上的顯著差異。另一方面，少樣本學習是常用於增加準確度的方法之一，但是對於一致性的相關評測，並不一定有正向的幫助。最後，可以嘗試使用參數更多的大型語言模型。在多數的任務中，更大的語言模型通常都有更好的表現，而在語義與邏輯的一致性的部份評測也不例外，GPT4的表現顯著優於ChatGPT。
大數據股份有限公司始終專注於提供精確的網路輿情分析，為了對已有服務持續進行品質的監控與提升，我們對於最新技術的運用與探索永不停歇。為了提供最優質的服務，我們整合了多種AI技術、30億筆輿情數據，以及多樣化的軟體工程技術。在《KEYPO大數據關鍵引擎》和最新「GPT智能輿情分析」功能，提供使用者可以迅速、準確地掌握網路輿情、市場趨勢及競爭對手動態，更能夠從中挖掘出深層次的原因和影響，協助企業品牌擬訂精準行銷策略，從而迅速抓住潛在消費者目光。
想了解更多全台首創結合「GPT 智能輿情分析」的《 KEYPO 大數據關鍵引擎》輿情分析系統強大功能了嗎？請立即與我們聯絡以取得更多資訊。
Image by rawpixel.com on Freepik