Word Analogy Task（詞類比任務）

定義：Word Analogy Task 是用于評估詞向量質量的內在指標（Intrinsic Metric）。該任務基于這樣的假設：如果詞向量能夠捕捉單詞之間的語義關系，那么這些關系應該能夠在向量空間中保持一定的結構。

示例：
在一個理想的詞向量空間中，單詞之間的關系應該滿足如下等式：

$$king?man+woman\approx queen$$

即，如果你用向量 king 減去 man（表示去掉“男性”這個概念），再加上 woman（加入“女性”這個概念），那么你應該接近 queen（女王）的向量

計算方法：
給定一個類比問題 A:B::C:D，即“A 之于 B，如同 C 之于 D”，則計算：D=B?A+C

然后，在詞匯表中找到與 D 最接近的詞向量，作為預測的答案。

應用：

• 評估詞向量的質量，驗證其是否能有效捕捉語義和句法關系。
• 在訓練 word embeddings（如 Word2Vec, GloVe, FastText）時常用此方法進行測試。

Intrinsic Metric（內在度量）

定義：Intrinsic Metric 是衡量 NLP 模型（如詞向量模型）質量的一類指標，通常基于特定的語言學任務，如 Word Analogy Task、Word Similarity Task 和 Clustering Coherence。

特點：

• 快速計算：不需要依賴下游任務，只基于詞向量本身計算指標。
• 獨立于具體應用：不同于 Extrinsic Metric（外在度量，依賴于特定 NLP 任務的表現），Intrinsic Metric 更關注詞向量本身的質量。

常見的 Intrinsic Metric：

1. Word Similarity Task：通過計算詞向量的余弦相似度，評估模型對同義詞、近義詞的表現。
2. Word Analogy Task：評估詞向量是否能正確表示語義關系（如 “Paris” : “France” :: “Berlin” : “Germany”）。
3. Clustering Coherence：測試詞向量在類別劃分上的表現，如同義詞是否聚集在一起。

優缺點：
? 優點：

• 計算成本低，適用于快速測試詞向量質量。
• 提供模型的直觀解釋性（可以通過類比關系檢查向量的語義質量）。

? 缺點：

• 不能直接反映模型在實際 NLP 任務中的表現。
• 可能對訓練數據敏感，不一定能泛化到真實任務。