打開搜尋引擎，不知道要輸入什麼用詞才能找到需要的資訊？例如，明明心中的疑問是「今天會下雨嗎？」，但打開Google搜尋，輸入的關鍵字卻是「本日 降雨機率」。
為了要讓搜尋引擎理解問題，大多數的人在使用 Google 搜尋時往往會捨棄口語用詞，改為輸入幾個簡單的關鍵字，久而久之已變成一種慣用的搜尋習慣。好像不那麼做，Google 會看不懂關鍵字，也就無法順利搜尋到需要的資訊。
但看看「Google 助理向美髮沙龍預約剪髮」的實際對話影片，可以發現 Google 其實有能力理解口語對話，還能像人類一樣回覆流利答覆，而這樣的能力也能在 2019 年「BERT 自然語意演算法」推出後，使用 Google 搜尋查找資訊時獲得類似的經驗。
號稱能理解人類語言的 BERT 演算法
BERT 演算法有個繞口又深奧的全名：Bidirectional Encoder Representations from Transformers，翻成中文的字面意思還是很難理解。
但簡單來說，它能幫助電腦更理解人類的語言。若應用在搜尋引擎方面，它能夠仔細辨識搜尋字串的「每個字」，再根據前後字詞的關係（上下文）去讀懂整個搜尋字串要表達的意思，而且與以往只擇一比對前一或後一個字詞不同的是，BERT 演算法是將前、後字詞都納入判斷語意的參考，所以能更精確判斷使用者搜尋該字串的意圖／目的。
BERT 演算法剛推出時，在美國地區、使用英文搜尋時的搜尋結果，約有 10% 受到影響，也就是每 10 個搜尋之中，會有 1 個搜尋結果受到影響，因此被稱為是繼 2015 年、號稱影響 Google 排名第三大因素的 RankBrain 推出後，Google 演算法史上目前最大的變革。除了英文以外，後來也逐漸推及到其他搜尋語言。
BERT 演算法背後的原理
1. 讓電腦聽懂「人話」：自然語言處理
自然語言指的是「人類自然而然說出來的語言」，因為正常狀況下，人類在對話時有上下文可以參考，因此能互相理解彼此的語意（當然偶爾還是可能出現溝通障礙，）。但電腦卻很難理解自然語言。而自然語言處理 Natural Language Processing (NLP)，就是用來幫助電腦理解人類自然語言的一種技術。
以中文為例，因為中文句子不像英文句子，會用空格隔開各個單字，很容易因為斷句方式不同，而有不同的語意，因此，中文的自然語言處理至少要做到兩件事，第一件是將句子「斷成詞，以理解個別詞義」、第二件是「分析語意」，包括文法和整個句子的語意解讀。
舉例來說，「他・有・繪畫・的・才能」和「放下・才・能・得到」這兩句話雖然都有「才能」，但兩個句子的斷句方式不同，「才能」在這兩句話的意思也不同。研究人員會將大量的類似句子做出這樣的斷句，讓電腦學習，往後當「才能」這個詞又出現時，電腦也能學會從上下文判斷，並做出適當的斷句。
2. 電腦「自學」的關鍵：詞向量
但詞彙那麼多，要如何讓電腦學習呢？最常見的方式是將詞彙轉換為「詞向量／詞嵌入」(Word Vector/ Word Embedding)，簡單來說，就是以一連串數字代表詞彙，讓電腦更能理解詞彙之間的關係。每個詞彙都有一組數字，而這些數字是由比對大量前後文而統計出來的結果，可以用來比較詞彙間的關係遠近。
字義越相關，詞向量的距離越近，例如「蝴蝶」跟「飛」的向量距離比跟「爬」的向量距離還近。而且，隨著資料量越多，統計出來的數字也會隨之調整，詞彙間的關係因此能越來越精確。如此一來，電腦不需要語言學相關知識，也能透過蒐集大量資料和統計來自主學習，並且根據統計數據處理語言。
回到BERT來說，起初，研究人員研發出多個不一樣的語言理解處理模型，每個模型都有特定的功能，專職處理特定類型的語言理解，例如有的負責斷詞、有的負責分析語法、有的負責情感分析。就好像廚房中有各種不同的工具，水果刀用來切水果、開瓶器用來開紅酒，每個器具各司其職；而BERT就像是一把瑞士刀，一把在手就能滿足多種功能需求，BERT能處理大部分的自然語言處理問題，也就不再需要使用多種語言理解處理模型，這也是Google將BERT導入演算法應用的原因之一。
常見的自然語言處理有效運用案例有：客服常使用的聊天機器人、智慧型手機的詞彙建議等，能從幾個關鍵字判斷出完整句子，再從資料庫中找出適合的資料回應。
（補充：若想更深入了解BERT演算法原理，可參考Google官方釋出的Open Source說明。）
BERT 演算法的應用實例
Google 官方表示 BERT 將會擴大應用於多種語言的搜尋結果，但官方目前已釋出的舉例大多仍是以英文為主。
例如：使用者搜尋“2019 brazil traveler to usa need a visa”，是想知道「2019 年巴西旅客去美國旅遊是否需要簽證」，但在 BERT 演算法推出前，Google 忽略了使用者搜尋字串中的介係詞 “to”，因此將搜尋意圖錯誤理解為「美國旅客去巴西旅遊是否需要簽證」，提供的搜尋結果自然就會是針對美國人要去巴西旅遊的情境。
BERT 演算法強調搜尋引擎能辨識搜尋字串的「每個字」，再去理解整個搜尋字串要表達的語意，所以加入介係詞 “to” 去分析以後，就會得到完全不同、更準確的搜尋意圖，提供的搜尋結果自然更能符合使用者的需求。
雖然沒有官方資料證實，BERT演算法對於繁體中文搜尋結果有何影響。但實際搜尋幾組繁體中文關鍵字，仍可發現有 BERT 的蹤影。例如搜尋口語化的句子「今天會下雨嗎」，和較為正式的關鍵字用法「本日 降雨機率」，Google 搜尋結果第一個列出的，都是使用者所在位置的降雨機率預報。
根據上述例子，可以推測出，即使「今天會下雨嗎」是相當口語化的自然語言搜尋用語，但Google仍然能夠理解，使用者輸入「今天會下雨嗎」和「本日 降雨機率」這兩組關鍵字，所要找的資料其實是一樣的。
BERT 演算法也有極限
先不論 BERT 演算法，是否能改善英文以外其他語言的搜尋結果，BERT 演算法本身也有以下一些限制：
1. 不擅長理解否定敘述
語言學家 Allyson Ettinger 在他的研究論文 “What BERT is not” 中提出了幾個要點說明 BERT 的限制，其中特別指出 BERT 很難理解否定詞對於上下文語意的影響。
2. 不擅長理解長篇文件
電腦要理解長篇文件的挑戰性更高，因為大部分長篇文件會再細分為章節、段落、句子，即便是人類在閱讀長篇文件時，可能都需要參考文件架構才能理解整篇文件的內容。因此電腦在理解長篇文件時應該將架構一起納入處理，但理解長篇文件的架構對 BERT 演算法而言並不容易。
總結
Google 官方承認，即便導入了 BERT 來提升自然語言處理的成效，要精準理解自然語言對於電腦而言仍是非常有挑戰性。不過，針對搜尋結果優先列出的「精選摘要」部分，Google 表示目前至少在韓語、印地語和葡萄牙語都已有重大改善。在未來，Google 預計將 BERT 學習英文理解的這套模式套用到更多不同語言上，期待未來所有使用者在執行搜尋時，都能以最輕鬆自然的方式輸入，而不需要刻意思考應該輸入什麼關鍵字，才能被 Google 搜尋引擎所理解。
資料來源
- Google Duplex: AI will call and book your appointments
- FAQ: All about the BERT algorithm in Google search – Search Engine Land
- Open Sourcing BERT – Google AI Blog
- 如何斷開中文峰峰相連的詞彙鎖鍊，讓電腦能讀懂字裡行間的語意？ – 泛科學 PanSci
- Understanding searches better than ever before – Google
- What BERT is not – Allyson Ettinger
- Google’s SMITH Algorithm Outperforms BERT – Search Engine Journal
狐禪
