作者：Morty Lai
近幾年，許多台灣品牌都已開始使用社群聆聽 (Social Listening)工具，在進行網路輿情分析時，僅憑簡單的關鍵字判讀常常會帶來大量不相關的訊息，例如，當使用者搜索「iPhone」相關內容時，搜索結果往往充斥著各類抽獎活動，這顯然與用戶實際需求不符。因此，為了強化搜索效率與精確度，系統運用AI人工智慧技術，對文本進行深入分析和分類，但是，過去的分類技術需要花費大量時間進行資料註記和模型訓練，才能實現更細致或準確的分類。不過，現在隨著AI技術的進步與GPT的加持，文本分類已經能夠迅速反應市場需求，讓使用者可以透過類別篩選，快速地找出更精準的輿情資訊。就彷彿進入到GenAI的魔法世界，透過分類帽能快速將學生分類到相對應且合適的學院。
常見文本分類任務大致有三種，分別為「二分類任務（Binary Classification）」、「多分類任務（Multi-class Classification）」和「多標籤任務（Multi-label Classification）」。二分類任務適用於解答是非問題，例如在輿情的情緒分析中，它可以用來判斷文章是否表達正面情緒。與二分類任務相比，多分類任務更像是選擇題，在同樣的情緒分析應用中，判斷文章情緒為正面、中立或負面即屬於多分類任務。更複雜的是多標籤任務，相當於複選題，用於解析輿情內容的多個類別，因為一篇文章可以同時包含多個面向，從而屬於多個類別。例如「震央越來越靠近陸地？403強震後餘震逾千起，不排除有較大規模地震」，這類型的句子同時涉及了新聞、生活和氣象。
在運用GPT進行多標籤任務時，由於提示內容會對於結果帶來不小的影響，所以需要嘗試不同的提示設計策略與內容，進而找出最佳的提示方式。舉例來說，對於「震央越來越靠近陸地？403強震後餘震逾千起，不排除有較大規模地震」進行分類時，雖然提供的類別都是「新聞、生活、時事、氣象」，但使用「分析文章內容和哪些類別相關」和「提供和文章內容相關的類別」做為提示，則可能得到不一樣的判斷結果。最常見的提示設計方式是，根據經驗列出數個提示內容，並使用相同的資料集進行測試，找出最佳的提示內容。除了可以自己設計提示內容之外，也可以讓GPT或不同的大型語言模型生成，再從中找出最佳的提示內容。除此之外，也可以考慮到類別和文章的相關性，並對於每個類別找出最適當的類別樣本加入提示，進而提升分類的準確度。
大數據股份有限公司運用全新的生成式AI技術和大型語言模型，推出全新改版的《KEYPO大數據關鍵引擎》，不僅加快了對文章類別的解析速度，也能更加彈性的對於文章分類進行調整，這讓企業品牌更能快速地定位，並聚焦於特定類型的熱議話題。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《KEYPO 大數據關鍵引擎》輿情分析系統強大功能？請立即與我們聯絡以取得更多資訊。
Image by freepik