NLP 作業一｜一條龍說明（從看懂到交出去）
2026-10-05｜根據在你電腦上實際跑完的繳交版筆記本寫成，程式與報告經三輪、共 8 位獨立審查員對照老師原始資料檢查；這份說明另依教學文件規範審查｜清大高宏宇老師《自然語言處理》115-1（TAICA）
一句話結論
這份作業就是「讓電腦讀文章、自己編一本字典，再考它『國王之於女王，等於男人之於＿＿』」。
全文用一個比喻貫穿：電腦讀的文章叫教材 → 電腦自己編出一本字典（每個字查得到一串數字，叫詞向量）→ 拿考卷（19,544 題類比題）考這本字典。
我在你的電腦上完整做了一次：現成的 GloVe 字典考 63.11%，自己用 20% 維基百科訓練的字典考 ⟦R:w20_overall⟧。
這份文件把每一步「在做什麼、為什麼、結果怎麼看、報告怎麼寫、考試可能怎麼問」全部用白話講一遍。
這份文件怎麼用（三個階段）
| 階段 | 做什麼 | 讀哪幾節 |
|---|
| 1. 看懂框架 | 作業在幹嘛、我做了什麼、整門課的邏輯、核心觀念 | 第 0 節、用語表、第 1 節、我做了什麼、邏輯框架、課堂補充 |
| 2. 看實作 | 一步一步看怎麼做、結果是什麼、為什麼是這樣 | 第 2～12 節，對照筆記本 |
| 3. 看結論、交出去 | 總結論；照實補上你做的部分；打包上傳 | 總結論、第 13、15 節；考前讀第 14 節 |
示範的成果在哪裡
交之前一定要知道的三件事
① 程式和報告是 Claude 做的，報告第 6 題已經照實寫出來；最後一行「你做了什麼」要你自己照實填（第 13 節）。
② 這份筆記本和報告不要給任何同學，兩份太像雙方 −100。
③ 考試是閉書、考作業的過程，所以這份文件一定要讀懂。
0 全貌：整份作業一張圖看完
結論：作業分三段：讀考卷 → 借別人的字典考試 → 自己編字典再考一次。報告的 6 題，其實是在問「字典好不好，取決於什麼」。
流程圖
所有實驗的成績總表
表裡的名詞（語意類、語法類、維基對照組⋯）先不用懂，用語表和第 1 節會解釋。現在只看「哪一列最高、哪一列最低」。數字都是正確率（%）。
| 字典 | 讀了什麼教材 | 整體 | 語意類 | 語法類 | 在哪一節 |
|---|
⟦R:overview_rows⟧
進階：加分實驗的 6 列（第 12 節才會講）
| 字典 | 讀了什麼教材 | 整體 | 語意類 | 語法類 | 在哪一節 |
|---|
⟦R:overview_rows_extra⟧
每一部分的配分與難度
| 部分 | 配分 | 難不難 | 花最多時間的是 |
|---|
| TODO1～3 | 20% | 簡單，照模板填 | 下載 GloVe |
| TODO4～7 | 35% | 中等，要注意記憶體 | 電腦訓練（TODO5 整格約 42 分鐘，其中訓練 37.9 分鐘） |
| 報告 6 題 | 45% | 最花腦力 | 想原因、寫解釋 |
所以對你的影響是：先記住三個數字就好——GloVe 字典 63.11%、Wiki 20% 字典 48.39%、論壇字典 25.78%（同樣字數的維基對照組 41.46%）。總表其他每一列，都是「只改一個因素」的對照。
用語表：同一個東西，全文只用一個名字
結論：這份說明裡，每個概念只有一個名字。看到不懂的詞，回來這張表查。
為什麼要有這張表：課本、老師、程式碼對同一件事常常有好幾種叫法（例如「模型」「字典」「my_wv」都是同一個東西）。叫法一多，讀的人會以為是不同的東西。所以這裡先把名字定死。
先記住全文的比喻
教材（電腦讀的文章）→ 電腦自己編出一本字典（每個字一串數字）→ 拿考卷（19,544 題類比題）考這本字典。
教材、字典、考卷
| 全文只用這個名字 | 英文／程式裡的叫法 | 一句白話（照做的意思） |
|---|
| 教材 | corpus（語料） | 拿來訓練字典的文章。例：維基百科抽 20%。 |
| 教材字數 | tokens | 教材裡一共有幾個字。例：Wiki 20% 教材 6.66 億字。 |
| 詞向量 | word embedding、vector | 一個字對應的一串數字（本作業是 100 個數字）。 |
| 字典 | model、model、my_wv | 一整組訓練好的詞向量：查一個字，拿到它的詞向量。本文主要有兩本：GloVe 字典（別人做好的）和 Wiki 20% 字典（我們用 20% 維基訓練的）。 |
| 字典收的字 | vocabulary（vocab） | 字典裡有詞向量的那些字。本作業最多收 30 萬個。 |
| 收錄門檻 | min_count | 一個字在教材裡出現至少幾次，才收進字典。程式設 5，但 gensim 會自動調高（第 6 節講為什麼）。 |
| 查不到的字（OOV） | out-of-vocabulary | 字典沒收的字。題目只要有一個字查不到，那題直接算答錯。 |
| 考卷 | Google analogy 資料集 | 19,544 題類比題。 |
| 類比題 | analogy question | 給 a、b、c 三個字，叫電腦猜第四個字 d。例：a＝king、b＝queen、c＝man，d 應該是 woman。 |
| 語意類／語法類 | Semantic／Syntactic | 考卷的兩大類。語意類考「意思的關係」（首都、貨幣、家人）；語法類考「字形變化」（比較級、過去式）。 |
| 小類 | SubCategory | 大類底下再分 14 小類，名字見下一張表。 |
成績怎麼算
| 全文只用這個名字 | 英文 | 一句白話 |
|---|
| 正確率 | accuracy | 答對題數 ÷ 總題數 × 100%。例（假設的整數）：100 題答對 48 題 → 48%。 |
| 百分點 | percentage point | 兩個正確率直接相減。46.12% → 48.39% 是「多 2.27 個百分點」。 |
| 配分 | — | 作業每一部分佔總成績多少。例：報告第 3 題配分 15%。跟正確率是兩回事。 |
| 相似度 | cosine similarity | 兩個詞向量方向有多一致，介於 −1～1。第 1 節有手算例子。 |
| b − a ＋ c | 3CosAdd | 答類比題的公式：用 b 的詞向量減 a、加 c，算出一個點，再找最像的字。 |
| 前 k 名正確率 | top-k accuracy | 電腦列出最像的 k 個字，正確答案在裡面就算對。 |
| 覆蓋率 | coverage | 某小類的題目裡，「四個字全部查得到」的題數 ÷ 該小類題數。 |
| 雜訊 | noise | 教材和設定完全一樣，只換亂數種子（42、1、2、3）各訓練一次，共 4 次；4 個正確率的「最高 − 最低」。 |
| 超過雜訊 | beyond noise | 兩個結果的差（不管正負）大於雜訊，才說「真的有差」。 |
訓練時的用語
| 全文只用這個名字 | 英文 | 一句白話 |
|---|
| 中心字 | center word | 訓練時正在看的那個字。 |
| 前後文的字 | context words | 中心字前後各 window 個字以內的字（作業設 5）。 |
| 鄰居 | nearest neighbors | 只用在一個意思：在字典裡跟某個字相似度最高的前幾個字（第 4 題用）。不是前後文的字。 |
| 維基對照組 | Wiki control (same size) | 從維基切出跟論壇教材一樣多字（約 7,292 萬字）的教材，用來公平比較。 |
| 基準設定 | baseline | 第 5 題所有實驗的起點：5% 維基、Skip-gram、window 5、100 維、種子 42。 |
| 壓成 2 維 | t-SNE、PCA | 為了畫圖，把 100 個數字壓成 2 個。 |
| 人工詞庫（WordNet） | WordNet | 人手編的同義字、上下位字詞庫。叫「詞庫」是為了不跟「字典」撞名。 |
| In [n] | cell execution count | Jupyter 畫面左邊的編號。本文找筆記本的格子一律用它。 |
14 個小類的固定名字
| 大類 | 小類（括號是筆記本上的英文） |
|---|
| 語意類（5 個） | 常見國家首都（capital-common-countries）、全世界首都（capital-world）、貨幣（currency）、美國城市在哪州（city-in-state）、家人／性別（family） |
| 語法類（9 個） | 形容詞→副詞（gram1）、反義字首（gram2）、比較級（gram3）、最高級（gram4）、-ing（gram5）、國名→國籍（gram6）、過去式（gram7）、名詞複數（gram8）、動詞第三人稱（gram9） |
注意：「國名→國籍」（例 China → Chinese）雖然跟國家有關，但它考的是字形變化，所以屬於語法類。
加分實驗的編號（第 12 節）
| 本文編號 | 做什麼 | 筆記本 |
|---|
| 實驗 ① | 先量雜訊（換種子） | 第 5 題 (a)，In [34] |
| 實驗 ② | 刪停用詞 | 第 5 題 (b)，In [35] |
| 實驗 ③ | CBOW、window、維度 | 第 5 題 (c)，In [36] |
| 實驗 ④ | 前 k 名正確率 | 第 5 題 (d)，In [37] |
| 實驗 ⑤ | 錯誤分析 | 第 5 題 (e)，In [38] |
| 實驗 ⑥ | 換 3CosMul 公式 | 第 5 題 (f)，In [39] |
| 實驗 ⑦ | PCA 和 t-SNE 比較 | 第 5 題 (g)，In [40] |
| 實驗 ⑧ | 覆蓋率 | 第 5 題 (h)，In [41] |
所以對你的影響是：考試寫答案時，也盡量用這張表的名字。尤其兩組最容易混：「鄰居」跟「前後文的字」是兩件事；「百分點」（正確率的差）跟「配分」（作業佔幾 %）是兩件事。