結論：這份作業的程式、執行、報告文字都是我做的，在你的電腦上實際跑完。下面照時間順序列出每一步、每一個我自己下的決定和理由。你要交出去，就要知道這些，因為報告第 6 題要如實寫出來，考試也可能問「你為什麼這樣做」。
| 階段 | 做了什麼 | 產出 |
|---|---|---|
| 1 讀規定 | 讀完作業 PDF 37 頁、程式模板 32 格、助教說明影片（24 分鐘，轉成逐字稿）、老師 W2／W3 上課逐字稿；把 2025 和 2026 兩版 PDF 逐行比對，找出 6 個說法互相打架的地方。 | HW1_作業介紹.html |
| 2 準備環境與資料 | 建一個獨立的 Python 3.12.3 環境；裝 gensim 4.4.0 等套件；下載維基百科 11 個壓縮檔（6.93 GB）、GloVe 詞向量（128 MB）、卡達論壇語料（234 MB）。 | .venv\、data\、requirements.txt |
| 3 寫程式 | 把老師的模板複製一份，只改 TODO 格和載入資料的格子（其他格一字不差）；在報告下面加上報告第 2～5 題的實驗程式。 | 第一版筆記本 |
| 4 彩排＋第一次正式執行 | 先用很少的資料把整本跑一遍，修掉 4 個問題；再用完整資料跑完整本（2 小時 38 分鐘，0 錯誤）。 | 第一版結果 |
| 5 第一輪審查 | 派 4 位互不相干的審查員，只給他們老師的原始資料（PDF、模板、助教影片、投影片、逐字稿），各自從一個角度挑毛病：①老師規章 ②課程內容正確性 ③假扮助教打分 ④數字逐一核對（728 個數字）。 | 審查紀錄 05a～05d |
| 6 依審查修正 | AI 標註改成如實寫法；把模板的提示說明放回去；改正 4 處講錯的觀念（apple、冷門字、跨模型比分數、min_count）；新增 6 組證據實驗（雜訊量測、冷門字次數、只看常見字的鄰居、apple 前 15 名、回教材查 sourpuss、只算兩本字典都有的題目）。 | 繳交版程式 |
| 7 繳交版從頭重跑 | 整本從第一格跑到最後一格，執行編號連續，報告每一個說法都有自己的輸出當證據。 | NLP_HW1_submission_draft.ipynb |
| 8 寫報告、說明、再審查 | 用最終數字寫報告 6 題；用自動工具核對報告裡每一個數字都能在輸出找到；寫這份說明；再換一批新審查員檢查一次。 | 報告、本文件、審查紀錄 |
老師規定：只准改「載入資料」的部分，亂改扣 5 分。所以我把每一格都分類清楚：
| 格子 | 原本是什麼 | 我改成什麼 | 屬於 |
|---|---|---|---|
| 第 2 格 | !wget 下載考卷 | Python 的 urllib 下載同一個網址（Windows 沒有 wget） | 載入資料 |
| 第 18～22 格 | !gdown、!gunzip、!cat、!head | Python 下載；不解壓不合併、直接讀壓縮檔（省硬碟） | 載入資料 |
| 第 5、13、15、24、25、27、28 格 | TODO1～7 的空格 | 填入答案程式；模板原本的註解和 Hints 說明全部保留，程式接在後面 | TODO |
| 第 27 格（TODO6） | — | 多印了成績（模板在 TODO6 後面沒有評分格，不印看不到結果） | TODO 格內 |
| 第 29 格 | 報告題目 | 填入答案 | 報告 |
| 第 31 格 | # Write your code here | 第一行保留，下面接第 3 題的共用工具 | 第 3 題程式區 |
| 每一格我寫的程式 | — | 第一行加 # [Generative AI] The code in this cell was generated by Claude (Anthropic). | 規定要求的 AI 標註 |
| 第 32 格以後 | （模板沒有） | 第 2～5 題的實驗、總表、執行環境 | 報告下面新增 |
| 決定 | 選了什麼 | 為什麼 |
|---|---|---|
| 在哪裡跑 | 你的筆電，不用 Colab | 你的 CPU 16 執行緒，Colab 免費版通常 2 核；Colab 跑久會斷線、輸出會不見。 |
| 怎麼讀維基 | 直接讀壓縮檔、一行一行讀 | 不吃硬碟、不吃記憶體（老師課堂上特別警告過記憶體爆掉的寫法）。 |
| 怎麼抽樣 | 以篇為單位、固定亂數種子、5%⊂10%⊂20% | 結果能重現；三份資料只差在量，第 2 題比較才公平。 |
| 大小寫 | 題目全部轉小寫 | GloVe 和維基資料都是小寫，不轉會查不到字。 |
| 前處理 | 只留英文字母；不刪停用詞、不做詞形還原 | 停用詞和字形變化就是考卷的答案（第 12 節有實驗證明）。 |
| 模型 | Skip-gram、100 維、window 5、5 輪 | 老師投影片的重點是 Skip-gram；100 維跟 GloVe 一樣，比較才公平。 |
| 字典大小 | 最多 30 萬字 | 老師建議的「只留高頻字」；字典太大會變慢、容易猜到冷門字。 |
| 第 3 題的語料 | 卡達生活論壇問答 | 跟維基差最多（口語 vs 百科）、大小適中、可直接下載。 |
| 第 3 題怎麼比 | 多做一份一樣大小的維基對照組 | 把「資料量」和「內容種類」兩個因素分開（控制變因）。 |
| 加分實驗 | 停用詞、調參數、top-k、錯題分析、換公式、PCA 對照、重跑一次 | 每一個都回答一個老師上課提過或考試可能問的問題。 |
| 檔案 | 用途 |
|---|---|
HW1\示範實作\NLP_HW1_submission_draft.ipynb | 繳交版筆記本（程式＋輸出＋報告）；交之前改成 NLP_HW1_學校_學號.ipynb |
HW1\示範實作\NLP_HW1_DEMO_示範.ipynb | 第一版（審查前），留作對照，不交 |
HW1\示範實作\requirements.txt | 套件清單 |
HW1\HW1_一條龍說明.html | 本文件 |
HW1\HW1_作業介紹.html | 規定、扣分、繳交檢查清單 |
HW1\_work\2026-10-04-nlp-hw1-submission\ | 審查紀錄 |
結論：這門課前三週在回答一個問題：「怎麼讓電腦知道字的意思？」這份作業就是讓你親手驗證課堂上的答案（詞向量），並找出「什麼決定詞向量好不好」。整份作業的實驗，都是在一次改一個因素、看結果怎麼變。
老師前三週的投影片，是一條「表示字的方法越來越好」的路。每一站都在解決上一站的問題：
| 站 | 方法 | 白話 | 問題在哪 | 投影片 |
|---|---|---|---|---|
| 1 | Bag of Words、one-hot | 每個字一個格子，有出現就打勾 | cat 和 dog 跟 cat 和 truck 一樣「不像」，電腦看不出誰跟誰相近 | W1 p55–58 |
| 2 | TF-IDF、BM25 | 打勾改成打分數（常出現但不是到處都有的字比較重要） | 還是一字一格，「計程車」和「的士」對不起來（同義詞問題） | W1 p48–53、p60–61 |
| 3 | 分布假說 | 「看一個字的朋友，就知道它是什麼字」（Firth 1957） | —（這是後面所有方法的基礎） | W1 p70、W2 p24 |
| 4 | LSA（共現矩陣＋SVD 降維） | 數每兩個字一起出現幾次，再壓縮 | 矩陣有「字數×字數」那麼大、很稀疏、加一個字要全部重算 | W1 p71–80 |
| 5 | 神經網路語言模型（Bengio 2003） | 讓神經網路學「下一個字」，順便學出每個字的座標 | — | W1 p65–68 |
| 6 | Word2Vec（Skip-gram）← 作業自己訓練的 | 用中間的字猜旁邊的字，練出座標 | 一個字只有一組座標 | W1 p81–90、W2 p32–38 |
| 7 | GloVe← 作業借來用的、FastText | GloVe 用整份資料的共現統計；FastText 看字的拼法片段 | 同上 | W1 p91–93 |
| 8 | 上下文詞向量（BERT、GPT）← 之後的課 | 同一個字在不同句子給不同座標 | — | W2 p39–40 |
所以作業的位置是：站 6、7。你在作業裡看到的缺點（apple 混了兩種意思、bank 只剩銀行），正是站 8 要解決的問題。考試如果問「詞向量的限制是什麼、後來怎麼解決」，就是要你把這條路講出來。
左邊是會影響字典好壞的 4 個因素，右邊是檢查字典好壞的 3 種方法。報告的每一題，都是「動左邊一個因素，從右邊看結果」。
想知道「某個因素有沒有影響」，就要一次只改那一個，其他全部一樣。這叫控制變因。這份作業每個實驗都照這個原則設計：
| 想知道 | 只改了 | 其他保持一樣 |
|---|---|---|
| 資料量的影響 | 5% → 10% → 20% | 同一批文章（5% 包含在 10% 裡）、同參數 |
| 資料種類的影響 | 維基 → 論壇 | 字數一樣（各 7,292 萬字）、同前處理、同參數 |
| 停用詞的影響 | 刪 / 不刪 | 同一份 5% 維基、同參數 |
| 模型設定的影響 | CBOW、window、維度（一次改一個） | 同一份 5% 維基 |
| 算答案公式的影響 | 3CosAdd → 3CosMul | 同一本字典 |
最後還要確認一件事：同樣設定跑兩次，結果會晃多少？差距比「晃動」還小的，就不能下結論（第 12 節實驗 ⑦）。
結論：詞向量真的能抓到字的關係，但它學的是「誰跟誰一起出現」，所以讀什麼、讀多少、怎麼整理、怎麼學都會改變它學到的東西；它也有一字一向量的根本限制。下面 8 件事，每一件都有實驗數字當證據。
| # | 結論 | 證據（本作業的數字） | 對應投影片 |
|---|---|---|---|
| 1 | 字可以變成有意義的座標，關係可以用加減算出來 | GloVe 答對 63.11%；t-SNE 圖上男女配對黏在一起、按角色分群 | W2 p30（Washington − U.S. ＋ U.K. ＝ London） |
| 2 | 座標是從「一起出現」學來的，不是從「意思」 | good 的鄰居有 bad；論壇裡 salary 的鄰居是錯字 slary；cat 的鄰居是卡通貓 sourpuss | W1 p70、W2 p24（分布假說） |
| 3 | 資料越多越好，但越來越沒感 | 5%→10%→20%：45.22→46.87→48.29；資料 ×4 只多 3 分；少見字形（最高級）進步最多 | — |
| 4 | 資料種類決定學到哪些關係 | 一樣大小下，論壇語意類 12.37 vs 維基 46.07；但最高級 43.58 vs 19.25。cheapest 在論壇出現的頻率是維基的 28.6 倍、illinois 只有 0.01 倍 | W1 p93（It depends） |
| 5 | 前處理沒有絕對的好壞，要看任務 | 刪停用詞：整體幾乎不變（45.22→45.03），家人類 −17、地理類 +3～5 | W1 p47（When to remove stop words? Avoid to broke the semantics） |
| 6 | 模型設定的影響可以比資料量還大 | 300 維只用 5% 資料（56.95）就贏過 100 維的 20%（48.29）；CBOW +7.5；window 10 −3.4 | W1 p81–90 |
| 7 | 評分方式本身也有限制 | 前 10 名命中率比第 1 名高 24.5 分；有些「錯」只是拼法不同（argentinian／argentinean）；同設定重跑，小類可差 9 分；3CosMul 反而較差 | — |
| 8 | 一字一向量是根本限制 | apple 同時靠近手機和水果；bank 只剩銀行，沒有河岸 | W1 p60（bank 一詞多義）、W2 p39（上下文詞向量） |
考前背這一句
詞向量用「分布假說」把字變成座標，能用加減做類比；但它學的是共同出現而不是意思，所以受資料的量、種類、前處理與模型設定影響，也分不出一字多義——這就是後來需要 BERT 這類上下文詞向量的原因。