三星語音輸入不準確的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

基於預訓練語言模型之中文虛假評論偵測

為了解決三星語音輸入不準確的問題，作者翁嘉嫻 這樣論述：

網路的發展改變了人們表達觀點和交換意見的方式，使用者生成內容成為消費者購買決策的重要關鍵之一。面對如此龐大商機，一些不良廠商為了自身商業利益，在網路上操縱評論，撰寫虛假好評促進商品銷量，亦能撰寫虛假負評詆毀競爭對手，稱之為「虛假評論」。虛假評論會誤導消費者購買到和網路資訊不相符的產品或服務，也會破壞商家之間的公平競爭，為了保護消費者權益和廠商利益，需要一種有效的識別方法來自動識別虛假評論。針對虛假評論識別的研究大多都是基於英文文本，中文文本的虛假評論識別研究少之又少，因為先天的語言差異導致應用在英文文本的方法同樣套用在中文文本上的結果不盡理想，本文嘗試以中文評論為研究對象。過去將文本轉為向量

特徵的方法有基於統計的詞袋模型，和靜態特徵的詞向量如Word2Vec、GLoVe等等方法，上述的方法在捕捉文本語義上到達了瓶頸，問題為靜態特徵詞向量不能解讀多義詞。直到2018年由Google開發的BERT預訓練語言模型成功在11項自然語言處理任務中，如情感分類任務(SST-2)、問答任務(SQuAD v1.1)等等上取得突破。BERT預訓練語言模型是一種動態特徵詞向量，能夠有效解決一詞多義的問題。此外，BERT是以「字」為訓練單位，可以避免斷詞不一致的問題，有利於中文文本分析。為了能夠準確地捕捉語意特徵，本研究將使用預訓練語言模型BERT作為基礎建立多個虛假評論識別模型，進而和傳統方法比較識

別效能。本研究以大眾點評網餐廳虛假評論集和三星寫手門虛假口碑資料集作為研究對象，來驗證本研究的虛假評論識別模型的效能。實驗結果顯示，本研究提出的模型在大眾點評網資料集上取得77%的精確率；在三星寫手門資料集上取得92%的精確率，比過去文獻取得的最佳結果高出17個百分點。證明了本研究所提出的以動態特徵為基礎的模型，比靜態特徵向量為基礎的模型更準確地捕捉語義進而提升其識別能力。