某公司使用 LSTM 將多頁文件中的每個句子標記為「風險」或「無風險」。儘管嘗試了許多網路結構和超參數設定，效能仍然不佳。哪項改變最有可能帶來最大的效能提升？

正確答案是使用在大量能源產業新聞文章集合上訓練的預訓練 word2vec 嵌入來初始化文字輸入。這是因為 LSTM 模型在處理文字資料時，其效能很大程度上取決於文字的數值表示。Word2vec 是一種能夠捕捉單詞語義關係的詞嵌入技術，透過在相關領域（能源產業新聞文章）的大量文本上進行預訓練，可以讓模型更好地理解特定領域的詞彙和語境，從而顯著提升分類效能。 其他選項的解釋： 使用預訓練的 TF-IDF 向量：TF-IDF 是一種基於詞頻的統計方法，雖然能反映詞的重要性，但無法捕捉詞之間的語義關係，因此不如 word2vec 有效。 將 LSTM 替換為 GRU：GRU 是 LSTM 的變體，兩者在處理序列資料方面能力相似，替換為 GRU 可能會帶來輕微的結構變化，但不太可能帶來最大的效能提升，特別是在詞嵌入不佳的情況下。 降低學習率並繼續訓練：這是一種常見的超參數調整策略，有助於模型收斂到更好的局部最小值，但如果模型的初始特徵表示（即詞嵌入）不夠好，僅靠調整學習率難以從根本上解決效能不佳的問題。