---
title: "雙向語境（Bidirectional Context）"
slug: bidirectional-context
language: zh-TW
source: https://aiterms.tw/terms/bidirectional-context
updated_at: 2026-07-04
tags: [自然語言處理, 神經網路, 大型語言模型, source:ipas]
ipas_term: true
---

# 雙向語境（Bidirectional Context）

雙向語境是同時參考目標元素前後文資訊的技術，能大幅提升模型對整體脈絡與語意的理解精準度。

## 完整說明

雙向語境是一種讓模型同時結合過去與未來資訊的架構設計，用於解決單向模型無法捕捉完整語意的問題，能夠顯著提升對序列資料的理解能力。常見應用包括機器翻譯、命名實體辨識、問答系統與遮罩語言模型（如 BERT）等任務。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 雙向語境與單向語境的主要差異是什麼？

單向語境模型在預測當前詞彙時，只能依賴該詞彙之前出現過的歷史資訊，無法參考後續即將出現的內容。相對地，雙向語境架構在處理時會同時將當前詞彙的前文與後文一併納入計算。這種差異使得雙向模型在需要全面理解整句話語意的任務中表現較佳，因為人類閱讀時也常需要根據後文釐清前文的多義詞或模糊指代。而在生成式任務中，由於無法預知未來，單向語境較為適用。

### 為什麼生成式語言模型通常不採用純雙向語境架構？

生成式語言模型（如 GPT）的核心任務是自迴歸生成，即根據已生成的文字序列來預測下一個詞彙。在推論過程中，未來的文字尚未產生，邏輯上無法取得後文資訊來形成雙向語境。若在訓練階段強制讓模型看到未來的詞彙，會導致資訊洩漏問題，使得模型實際應用時無法正確運作。儘管如此，部分現代架構會採用混合策略，在處理提示語時利用雙向語境，生成回應時切換回單向機制。

### 雙向語境技術在自然語言處理以外的領域有應用嗎？

雙向語境的概念並不僅限於自然語言處理，在許多涉及序列資料分析的領域都廣泛應用。在語音辨識中，音訊訊號具備高度時間連續性，透過雙向架構可同時參考前後音框特徵，更準確地判定當前語音。在基因序列與時間序列分析中，只要資料具有前後順序結構特性，引入雙向語境就能幫助模型捕捉更完整的局部與全局依賴關係，進而提升整體預測穩定度。這種技術有效利用了整段序列資訊。

---

來源：https://aiterms.tw/terms/bidirectional-context
快查頁：https://aiterms.tw/terms/bidirectional-context
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-bidirectional-context