專欄專題議題

探索文字背後的主題宇宙：BERTopic讓電腦讀懂群眾在說什麼

s 86556678

撰稿／吳思儒

編輯／楊淳

2025.06

你是否曾經面對過大量網路留言、開放式問卷或顧客評論，想知道人們到底在關心什麼、討論什麼，卻苦無頭緒？在這個資訊快速流通的時代裡，每天都有無數人在網路上發聲，無論是貼文留言、評論、開放式問卷，或者是一場活動後的反饋表單等。文字數據大量湧現，卻往往成為一種難以分析的「資料黑洞」。 

面對龐雜的文字洪流，無論是推動活動、倡導議題，或是經營一間在意消費者反饋的店鋪，要如何梳理以及理解群眾在說什麼——找出那些可能被忽略的訊號、情緒與觀點、萃取有意義的趨勢與主題，成了當代重要的能力。而這時，我們可以借助人工智慧的力量，讓電腦來「讀懂」這些海量文字背後所具備的意涵。

這篇文章，便從這個問題出發，帶大家認識一套能協助我們「讀懂群眾語言」的工具——BERTopic。

近年來，一個名為 BERTopic 的工具，逐漸成為學界與業界處理文本分析的重要利器。它不僅能夠從成千上萬則文字中自動找出主題、標示關鍵詞，甚至還能追蹤主題隨著時間而產生的變化。本文將帶你認識這個強大的工具，並看看它如何幫助我們，從「文字的海洋」中找出有意義的主題島嶼。

｜BERTopic 有什麼特別的？

BERTopic 是近年快速崛起的主題建模工具，它獨特之處在於它能夠「理解語意」，不僅僅只是比對字詞出現的頻率。

以傳統主題模型（ LDA）為例，它只能根據單詞的表面來比對關聯性。例如「海灘」和「衝浪」是兩個不同的詞彙，它們就被視為無相關；但 BERTopic 使用語意模型，可以理解「衝浪板」與「浪點」其實都與海邊活動有關，進而把它們歸為同一主題。

｜什麼是主題建模（Topic Modeling）？

主題建模是一種自動化的文字分析技術，旨在從大量文本中找出潛藏的共同「話題」或「主題」。想像你正在閱讀上千則產品評論，而主題建模就像是一位分類師，他能將內容相似的文字自動歸為一群，然後告訴你：「這一群人在講美食，那一群人在抱怨服務。」 過去，這類分析往往仰賴人工閱讀與分類，不僅耗時，也容易受到主觀影響。主題建模的出現，讓電腦能夠依據文字之間的語意相似度，自動歸類並找出潛在的主題，幫助研究者與決策者快速掌握群體關注的核心議題。

LDA 是什麼？

LDA (Latent Dirichlet Allocation) 是一種主題建模的演算法，由 Blei 等人在 2003 年提出，專門用來分析大量的文字資料（例如文件集、問卷、評論），主要依賴「詞袋模型 」。它在檢視一篇文章時，會先假設每篇文章背後藏有數個潛在主題，而每個主題中有一些語意上相近的字詞。它會自動找出使用了哪些詞、哪些字詞常一起出現裡、各出現了幾次、進一步去推測這些字詞可能屬於相同主題，但不會管詞語的順序或上下文的意義。例如，在 LDA 眼中，「我愛你」和「你愛我」是完全一樣的，因為它們都包含「我」、「愛」、「你」這三個詞。這種不理解語義的特性，正是 LDA 的主要限制，也凸顯了 BERTopic 的獨特優勢。

 

詞袋模型：

詞袋模型(Bag-of-Words)是一種經典的文字處理方法，用來將文字轉換成電腦可以理解的「數字向量」。它的最大特色是：不考慮詞的順序與文法，只關心詞彙的出現與頻率。也就是說：LDA 不在乎「我愛臺灣」還是「臺灣愛我」，它只在意「我、愛、臺灣」這三個字有出現過，故其最大的限制是「不懂語意」。

這個流程結合了幾種人工智慧技術：

  • BERT 語意模型：由 Google 開發，能將整句話轉換成語意向量，讓電腦可以判斷「句子彼此有多像」。
  • UMAP 降維技術：將這些高維度的語意向量，壓縮成 2~5 維空間，方便分群。
  • HDBSCAN 分群演算法：自動找出語意密集的群組，不需事先設定主題數量。
  • TF- IDF 主題關鍵詞計算：自動列出每個主題中最具代表性的關鍵字，幫助人類解讀結果。

這些技術的整合，讓 BERTopic 得以準確分群，還能解釋結果、視覺化趨勢，成為目前主題建模領域中的新興工具。

 

BERT 是什麼？

BERT (Bidirectional Encoder Representations from Transformers) 是 Google 開發的語言模型，它的厲害之處在於能「理解上下文」。

  • 語意 (Semantics)：指的就是文字的「真實含義」。例如，「蘋果」這個詞在「我吃了一顆蘋果」和「蘋果公司發布了新手機」這兩句話中，含義完全不同。BERT 能夠讀懂上下文，觀察一個詞的前文和後文，分辨出這種差異。

     

  • 語意向量 (Semantic Vector)：為了讓電腦理解含義，BERT 會把每一句話或每一個詞轉換成一組數字，這組數字就叫做「向量」。你可以把它想像成一個多維度的地圖座標。在這張地圖上，意思相近的詞句，它們的座標點會非常靠近。（例如：「今天天氣晴朗」和「陽光普照的一天」）它們的座標會非常接近；反之，意思無關的詞句，座標點就會相距較遠。（例如「我肚子餓了」和「大海真漂亮」）BERTopic 就是利用這些座標的遠近來進行分群。

「降維」是什麼？

 

前面提到，語意向量是一個「多維度」的座標，這個維度可能高達數百甚至上千維。而人類很難想像超過三維的空間，電腦要計算這麼多維度的距離也非常耗時。所以「降維 (Dimensionality Reduction)」就像是把一個複雜的3D立體物件，拍成一張2D的平面照片。雖然照片是平面的（維度降低了），但你仍然可以從中看出物件的主要形狀和結構。而UMAP 它能將上百維的向量座標，壓縮到只有2維或3維，同時盡可能地保持原始資料中「誰和誰靠近、誰和誰遠離」的相對關係。這樣一來，電腦就能更輕鬆地在低維度空間中進行分群。

HDBSCAN 分群演算法是什麼？

  • 分群 (Clustering) ：目標是將一堆點（降維後的語意向量）中，位置相近的點圈在一起，形成一個個群組。許多傳統的分群演算法，會需要使用者預先指定要分成多少個群組。但在文本分析中，我們通常無法預知文本數據中到底存在多少個「主題」，
  • HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise) 的優點是，它不需要你預先設定主題數量。它會自動觀察點的「密度」，在點很密集的地方形成群組，並將那些離群索居、很稀疏的點視為「雜訊」而忽略，這對於分析網路留言、問卷回饋等等的數據很重要 。

TF-IDF是什麼？

 

TF-IDF (Term Frequency-Inverse Document Frequency) 是一種幫助我們找出「這篇文章裡最能代表主題的關鍵字」的方式，它是由兩個概念組合而成：

  • TF （詞頻）：一個詞在一個主題（文件）中出現的頻率。一個詞出現越多次，TF值越高，代表它跟這個主題可能高度相關。如果一本關於「貓」的書中，裡面出現了一百次「貓咪」這個詞，那麼這個詞的 TF 就很高，因為它重複出現、跟主題密切相關。
  • IDF （逆文件頻率）：然而，光看詞頻並不夠。有一些詞彙在所有主題中都經常出現（例如「的」、「是」、「和」、「我們」），它可能只是一個常用詞，雖然出現的次數很多，但對區分主題沒有幫助，這類詞的 IDF 值就會很低。反之，如果一個詞只在某個特定主題中大量出現，在其他主題中很少見，它的 IDF 值就會很高。可以說IDF是用來衡量一個詞在整個文件或主題中的「稀有程度」、「獨特性」。

將 TF 和 IDF 這兩項分數相乘後，得到的分數越高，代表這個詞越能「代表」這個主題的獨特性，因為這個詞既同時滿足了「在這個文件裡很活躍 (高 TF)」並且「在其他文件中很罕見 (高 IDF)」這兩個條件時才能得到高的總分。

 

｜BERTopic 可以應用在哪些領域？

只要你手上擁有大量的文字資料，幾乎都用得上 BERTopic。以下是幾個實際的應用例子：

民意與公共政策分析：

蒐集來自 Google Maps 或 Facebook 上的評論，分析民眾對公園、工程、展覽的看法。例如城市治理單位可以用來民眾對於新設施的反應。用來觀察分析新設施的接受度與爭議點。

教育與社會研究：

分析學生課程回饋或社會調查的開放式回答，找出常見問題、學習動機或改善建議。

品牌與行銷分析：

將產品評論或客服紀錄餵給 BERTopic，快速瞭解消費者關心的焦點，例如價格、功能、客服體驗等。

媒體與新聞追蹤：

觀察一段時間內，新聞或社群媒體上的議題分布與轉變趨勢，例如疫情報導在不同行政區的關鍵詞變化。

｜如何操作 BERTopic ？

BERTopic 是用 Python 撰寫的開源套件，操作需要有基本的 Python 語法與執行環境。不過，它的使用流程其實非常直觀，通常只需要：

  1. 準備一組文字資料，例如留言、評論、逐字稿等。

     

  2. 建立並訓練模型：這裡的「訓練」指的是讓模型從資料中自動找出語意規律與主題群組，是一種無監督學習

     

  3. 查看主題與關鍵詞

     

  4. 使用內建圖表功能進行視覺化，例如主題分布圖、時間變化圖等。

機器學習的「學習方式」主要可以分為兩大主流類型：監督式學習與無監督學習。

一、監督學習：它的任務是根據過去的經驗，對新的、未知的資料做出準確的預測。就像小學生寫作業時，老師已經告訴你「正確答案」是什麼，機器學習模型會從這些已經標記好輸入與輸出的資料中學習，學會預測新的資料會是什麼結果。例如：你給電腦一千張有「貓」標籤的照片和一千張有「狗」標籤的照片，讓它學習如何分辨貓和狗，你已經先準備好「標準答案」給它學習。
二、無監督學習 (Unsupervised Learning)
這種學習可以想像成沒有老師指導，但你給學生一堆資料但不提供任何答案，讓他們自己從資料裡找出有趣的規律。而電腦就會自動找出哪些資料彼此相似、有哪些分類、甚至是否有異常。例如：直接把兩千張貓和狗的照片全部丟給電腦，電腦會自己發現貓和狗的差異，從而把牠們分成兩群。而BERTopic 的訓練過程就是無監督學習，因為我們事先不知道文字裡有哪些主題（沒有標準答案），而是讓模型自己去探索和發現。

 

｜結語：讓電腦幫你讀懂群眾聲音

我們身處於一個文字數據浩瀚的時代，每天都在產出與接收大量的文字，每一則訊息、每一段評論，都藏著民眾的情感、需求與觀點。如果能善用工具，這些原本看似雜亂無章的資料，也都將成為非常珍貴的知識來源。

BERTopic 猶如一座橋樑，連接「文字的洪流」與「洞察的彼岸」，它賦予了電腦理解語意、自動分群的智慧，使我們得以跨越資訊的藩籬，得以聆聽群眾的聲音，理解集體經驗的內在結構。不論你是研究者、社會工作者、政策制定者，還是品牌經營者，只要你想知道「大家到底在說什麼」的謎題，BERTopic 無疑是一個值得一試的工具。

｜參考資料

  1. Amazon Web Services. (n.d.). 監督式機器學習和非監督式機器學習有何區別？. 取自 https://aws.amazon.com/tw/compare/the-difference-between-machine-learning-supervised-and-unsupervised/ (檢索日期：2025 年 6 月 13 日)

  2. Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research, 3(Jan), 993-1022.

  3. Campello, R. J. G. B., Kröger, P., Sander, J., & Zimek, A. (2020). Density-based clustering. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 10(2), Article e1343. https://doi.org/10.1002/widm.1343

  4. Google AI Blog. (2018, November 11). Open Sourcing BERT: State-of-the-Art Pre-training for Natural Language Processing. 取自 https://ai.googleblog.com/2018/11/open-sourcing-bert-state-of-art-pre.html (檢索日期：2025 年 6 月 11 日)

  5. hdbscan. (n.d.). How HDBSCAN Works. 取自 https://hdbscan.readthedocs.io/en/latest/how_hdbscan_works.html (檢索日期：2025 年 6 月 12 日)

  6. IBM. (n.d.-a). What is supervised learning? What is unsupervised learning?. 取自 https://www.ibm.com/think/topics/supervised-vs-unsupervised-learning (檢索日期：2025 年 6 月 13 日)

  7. IBM. (n.d.-b). Bag-of-Words. 取自 https://www.ibm.com/think/topics/bag-of-words (檢索日期：2025 年 6 月 11 日)

  8. Jurafsky, D., & Martin, J. H. (2025a). Vector Semantics and Embeddings (Draft of January 12, 2025). In Speech and Language Processing. 取自 https://web.stanford.edu/~jurafsky/slp3/6 (檢索日期：2025 年 6 月 12 日)

  9. Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press.

  10. McInnes, L., Healy, J., & Melville, J. (2018). UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction. arXiv preprint arXiv:1802.03426. https://arxiv.org/abs/1802.03426

｜作者

思儒 480x480

吳思儒

國立臺灣師範大學環境管理與環境教育博士、臺北大學自然資源與環境管理研究所碩士，曾任職於生態實驗室、非政府組織。長期關注人文與生態永續相關議題研究，專注於跨專業實驗中找尋解決之道。目前為景澤創意執行長，創辦貳拾號公民會所、三時生活實驗室與川流之島流域學校。

｜編輯

楊淳

喜歡天馬行空💭喜歡大海、雲彩、晚霞與山巒

Pin

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *