---
title: "句子嵌入（Sentence Embedding）"
slug: sentence-embedding
language: zh-TW
source: https://aiterms.tw/terms/sentence-embedding
updated_at: 2026-07-30
tags: [自然語言處理, 向量表示, 語義相似度, Transformer, 信息檢索]
ipas_term: false
---

# 句子嵌入（Sentence Embedding）

將整個句子編碼為固定維度的向量，使語義相似的句子在向量空間中距離較近。

## 完整說明

句子嵌入（Sentence Embedding）是自然語言處理中的重要技術，將任意長度的句子轉換為固定維度的密集向量，保留句子的語義信息。相比詞向量針對單個詞，句子向量需要聚合整個句子的信息，捕捉句法結構與語義關係。句子嵌入廣泛用於文本相似度計算、語義檢索、文本聚類等應用。

## 常見問題

### 為什麼簡單的詞向量平均不能捕捉詞序？如何改進？

簡單平均對詞順序不敏感："貓追老鼠"和"老鼠追貓"包含相同詞彙，平均後向量相同，但語義完全相反。改進方法：第一，使用序列模型（LSTM、CNN）保存詞順序信息。第二，利用句法樹（Tree-LSTM），讓語言結構引導聚合。第三，採用自注意機制（Transformer），讓不同位置相互交互，學習更複雜的詞序關係。第四，使用預訓練的 Transformer 模型（BERT、Sentence-BERT），它們在大規模語料上學到了豐富的詞序與語境知識。

### Sentence-BERT 和 BERT 的句向量有什麼不同？

BERT 本身不是為句相似度任務優化的。若直接取 BERT 的 [CLS] token 或平均詞向量作為句向量，性能往往不佳（相似度任務相關性 0.5–0.6）。Sentence-BERT 的創新是：用孿生網路和對比損失（Contrastive Loss）在相似句子對上微調 BERT，直接優化句相似度目標。微調後的句向量在語義相似度任務上相關性達 0.87–0.89，遠優於原始 BERT 的 0.50–0.60。簡單說，BERT 是通用的編碼器，Sentence-BERT 是為句相似度任務特化的編碼器。

### 句向量能用於什麼實際應用？

句向量的應用包括：第一，語義搜尋：用戶輸入查詢句子，系統用向量找最相似的句子（比關鍵詞搜尋更精準，對同義表達也敏感）。第二，推薦：基於用戶的歷史句子，推薦相似的文章或回答。第三，重複檢測：發現重複或高相似度的帖子、問題（用於 QA 去重、抄襲檢測）。第四，聚類：對句子集合進行無監督聚類，發現話題簇。第五，檢索增強生成（RAG）：大型語言模型回答問題時，先用句向量檢索相關背景知識，再生成答案。第六，信息檢索：構建密集檢索系統（Dense Retrieval），遠快於傳統稀疏檢索（BM25）。

---

來源：https://aiterms.tw/terms/sentence-embedding
快查頁：https://aiterms.tw/terms/sentence-embedding
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-sentence-embedding