BERT微調【歌詞】
歌詞微調不再糾結於單個字詞的意思，而是將「整首歌的歌詞文本」視為一個完整的語意單位。 歌詞具有敘事性，情緒會隨時間演進有變化，因此透過BERT的全域自注意力機制，能識別出不同段落（主歌、副歌、橋段）之間的邏輯與情緒流動。
舉例：
(第一段)「天空下著雨，我獨自在街頭徘徊。」（局部：憂鬱）
(第二段)「直到遇見你，陽光終於穿透雲層。」（轉折）
(第三段)「現在我懂了，所有的等待都是值得的。」（最終：滿足)
BERT模型讀完全文後，會發現情緒從【負面】轉向【正面】，最終判定這首歌為【平靜/滿足】，而非被第一句的「雨」或「獨自」給誤導。
♬判斷方式
第一段
天空下著雨，
我獨自在街頭徘徊。
第二段
直到遇見你，
陽光終於穿透雲層。
第三段
現在我懂了，
所有等待都是值得的。
♬混淆矩陣分析
此圖為歌詞微調模型的混淆矩陣，用來呈現模型在四個情緒象限(Q1～Q4)上的分類表現。
四象限預測正確數量:
Q1：24筆
Q2：20筆
Q3：24筆
Q4：12筆
- 總樣本數：108
- 預測正確筆數：80
- 成功機率：74.07%
圖9、歌詞微調的混淆矩陣
Q1（快樂／興奮):辨識力極高且誤判極少，精準捕捉正向高激起的語言規律，為模型最優類別。
Q2（憤怒／焦慮):維持高度辨識穩定性，主誤差源於負面語境下「情緒強度」的判定干擾維持了高度的辨識力，主要的誤差在於5筆誤判為Q3。
Q3（悲傷／沮喪):從最初模型的39%到現在的85.7%。理解了歌詞中關於「失落、消極」的長文本語境。
Q4（平靜／滿足):雖然預測狀況不如另外三類，但能正確識別出近半數的平靜歌詞。反映出「低激起」情緒在正負向判定上的困難性。
整體而言，模型以Q1表現最佳，Q2與Q3仍有少量混淆，Q4辨識較弱，但整體分類能力已具穩定性並持續改善。