已複製到剪貼簿（若沒有，手動全選複製上面這段）→ 直接貼給我。
NLP 作業一｜Word Analogy（詞類比）完整介紹
2026-09-28 整理｜清大高宏宇老師《自然語言處理》115-1（TAICA）｜資料來源：作業 PDF、程式模板、助教說明影片、W2／W3 上課逐字稿
一句話結論
讓電腦把英文單字變成一串數字，再考它「國王之於女王，等於男人之於＿＿？」答不答得出來。 先用別人訓練好的數字考一次，再自己用維基百科訓練一份、再考一次，最後在同一份.ipynb裡寫報告。 約 10/15（四）交，今天起還有 17 天。
三個一定要記住的數字
| 項目 | 內容 | 為什麼重要 |
|---|---|---|
| 期限 | 約 2026-10-15（四）（9/24 公布＋三週） | PDF 沒寫日期，老師口頭說「公布後三週」。幾點截止要去 NTU COOL 看。 |
| 配分 | 程式 55%＋報告 45% | 報告幾乎佔一半，而且老師說考試會考「你做作業的過程和心得」。 |
| 最大的雷 | .ipynb 裡每一格的執行結果都要留著 | 沒留結果 → 跟實驗和圖有關的分數全部拿不到。 |
左邊點一節看一節。每節開頭第一句就是結論，趕時間只讀那一句就好。
第一次看，先讀 第 0 節（作業全貌）：用比喻講清楚作業到底要做什麼、最後要交出什麼。
如果今天只有 5 分鐘：讀 第 5 節（說法打架的地方） 和 第 6 節（會踩的雷）。
要交之前：打開 第 10 節，一項一項按「OK」。
這份只講「要做什麼、怎麼交、哪裡會出事」，沒有替你寫作業程式。 因為老師明講考試會考作業的過程和心得（W3 01:47:43），自己動手做過才答得出來；而且兩份作業太像會雙方都 0 分。
0 作業全貌：到底要做什麼、為什麼要做
結論：整份作業就是「讓兩本字典去考同一張考卷，比成績，再解釋為什麼差這麼多」。 一本字典是別人做好的，一本是你自己用維基百科做的。 最後交出一個筆記本檔，裡面要有：5 次考試成績、2 張圖、6 題回答。
第一步：先把作業裡的東西換成比喻
| 作業裡叫什麼 | 把它想成 | 白話說明 |
|---|---|---|
| 詞向量（word embedding） | 一本字典 | 每個字後面寫的不是解釋，是一串 100 個數字。這串數字就像這個字在地圖上的「座標」。意思越像的字，座標越近。 |
| Google Word Analogy 資料集 | 一張考卷 | 19,544 題填空題，每題都長這樣：「king 之於 queen，等於 man 之於＿＿」。答案是 woman。 |
| 用詞向量答題 | 拿字典寫考卷 | 查出題目三個字的座標，做加減，找離結果最近的字，當作答案。 |
| 正確率（accuracy） | 考卷分數 | 答對幾題 ÷ 總題數。改考卷的程式老師已經寫好，你不用寫、也不能改。 |
| 訓練詞向量 | 自己編一本字典 | 讓電腦讀一大堆文章，看「哪些字常常一起出現」，自己算出每個字的座標。讀的文章就叫「語料」（corpus）。 |
第二步：電腦怎麼「寫」一題（示意）
題目：king queen man ＿＿（正確答案 woman）
- 查字典：queen、king、man 各是一串 100 個數字。
例如 king → [0.50, 0.69, −0.60, …]。這些數字是我亂寫的示意，不是真的值。 - 做加減：queen − king ＋ man，得到一串新的 100 個數字。
意思是：從 king 走到 queen 的那一步（男變女），套到 man 身上。 - 找最近的字：在整本字典裡，找座標離這串新數字最近的字（題目自己那三個字不算）。
- 對答案：最近的字如果是 woman，這題答對。
19,544 題全部這樣做一遍，再按 14 個小類各算一次分數，就是一次「考試」。
第三步：整份作業照順序要做的事
| # | 你要做什麼 | 做完畫面上會出現什麼 | 對應 | 配分 |
|---|---|---|---|---|
| 1 | 讀考卷：把題目檔整理成表格 | 一張表格的前 5 列（題目、大類、小類） | TODO1 | 5% |
| 2 | 借別人的字典考試：載入現成的 GloVe 詞向量，寫完 19,544 題 | 14 個小類各自的分數 | TODO2 | 10% |
| 3 | 畫圖：把「家人／性別」那一類的字畫成平面上的點 | 一張散佈圖（看 king／queen、boy／girl 有沒有排得很整齊） | TODO3 | 5% |
| 4 | 準備教材：維基百科有 560 萬篇以上的文章，隨機抽 20% | 一個新的文字檔 | TODO4 | 5% |
| 5 | 自己編字典：先整理文字（前處理），再用 Word2Vec 訓練 | 一本你自己的字典（訓練好的模型） | TODO5 | 10% |
| 6 | 用自己的字典考試：同第 2 步 | 14 個小類各自的分數 | TODO6 | 10% |
| 7 | 再畫圖：同第 3 步，換成自己的字典 | 第二張散佈圖 | TODO7 | 10% |
| 8 | 多做 3 個實驗＋寫報告（見下一張表） | 6 題回答 | 報告 | 45% |
所以對你的影響是：第 1–7 步是「照著模板填空」，有標準做法。第 8 步才是真正要動腦的地方，而且佔將近一半的分數。
第四步：報告的 6 題，其實是叫你多做 3 個實驗
報告不是寫心得而已。每一題背後都要你真的去跑一次、拿到數字，再解釋。
| 題 | 要多做什麼 | 老師想讓你看懂什麼（這就是作業的目標） |
|---|---|---|
| 1 | 不用多做。說明你第 2、5 步用了什麼字典、怎麼整理文字、參數怎麼設。 | 你清楚自己每一個設定是什麼。 |
| 2 | 把第 4–6 步改成抽 5%、10% 各再跑一次（20% 已經跑過了）。 | 教材越多，字典越準嗎？準多少？ |
| 3 | 自己上網找一份不是維基百科的文章集（例如新聞、小說、論文都可以，助教說什麼都行），第 5–6 步再跑一次。 | 教材的「種類」會改變字典學到什麼。例如小說讀得多，可能比較懂家人稱呼，比較不懂首都。 |
| 4 | 挑至少 5 個字，每個字找出字典裡最像的 5 個字。 | 字典說的「最像」，跟人想的「最像」不一樣。老師說你會發現「貓」的鄰居常常不是貓。 |
| 5 | 自由發揮，加做任何實驗或分析。 | 你自己發現的東西。 |
| 6 | 不用做實驗。寫有沒有用 AI、用在哪裡。 | — |
第 3 題的例子（小說比較懂家人稱呼）是我推想的，不是老師說的；實際會怎樣，要跑了才知道——這正是這題要你做的事。
算一算：總共要跑幾次
| 項目 | 次數 | 是哪幾次 |
|---|---|---|
| 自己訓練字典 | 4 次 | 維基 5%、維基 10%、維基 20%、另一份語料 |
| 考試（算分數） | 5 次 | GloVe 1 次＋自己的 4 本字典各 1 次 |
| t-SNE 圖 | 2 張 | GloVe 1 張＋維基 20% 1 張 |
最花時間的是「訓練字典」。所以建議先用 5% 試跑，確定程式沒問題，再跑 10%、20%。
這份作業的目標，一句話版
讓你親手確認三件事：
① 把字變成數字，真的能抓到字和字的關係（看第 2 步的分數和第 3 步的圖）；
② 這本字典好不好，取決於讀了多少文章、讀了什麼種類的文章、文章怎麼整理（報告第 1–3 題）；
③ 它也有很明顯的缺點（報告第 4 題）——這正是後面幾週要教 BERT 這類新方法的原因。
最後交出去的東西
NLP_HW1_學校_學號.zip
├─ NLP_HW1_學校_學號.ipynb ← 一個檔案裡全部都有：
│ 第 1–7 步的程式＋執行結果（要是 20% 那一版）
│ 報告 6 題的回答
│ 第 3 題的程式＋執行結果
└─ requirements.txt ← 用到哪些套件、什麼版本1 這份作業在做什麼
結論：考電腦懂不懂「字和字之間的關係」。考法是給三個字，叫它猜第四個。
先講它在做什麼
電腦看不懂字，只看得懂數字。所以要先把每個英文單字變成一串數字（例如 100 個數字）。
這串數字就叫 詞向量（word embedding：把一個字變成一串數字，意思相近的字，數字也會相近）。
如果這串數字做得好，就能做「字的加減法」。例如：
queen − king + man ≈ woman
（女王 − 國王 ＋ 男人 ≈ 女人）意思是：「國王 → 女王」的變化，跟「男人 → 女人」的變化是一樣的。
這種「A 之於 B，等於 C 之於 D」的題目，就叫 詞類比（word analogy）。
PDF 寫
King + Queen − Man ≈ Woman，這是錯的。
正確是 Queen − King + Man ≈ Woman，也就是 B − A ＋ C ≈ D。
程式模板裡的提示寫的才是對的：「word_b + word_c − word_a should be close to word_d」。
考卷長什麼樣：Google Word Analogy 資料集
一共 19,544 題。每題四個字，用空白隔開，第四個字就是答案。
題目分兩大類：
- Semantic（語意）：意思上的關係，例如首都和國家、男和女。共 5 小類、8,869 題。
- Syntactic（語法）：字形變化，例如加 -ly、加 -s、過去式。共 9 小類、10,675 題。
| 大類 | 小類（SubCategory） | 題數 | 第一題（最後一個字是答案） |
|---|---|---|---|
| 語意 | capital-common-countries（常見國家首都） | 506 | Athens Greece Baghdad Iraq |
| 語意 | capital-world（全世界首都） | 4,524 | Abuja Nigeria Accra Ghana |
| 語意 | currency（貨幣） | 866 | Algeria dinar Angola kwanza |
| 語意 | city-in-state（美國城市在哪州） | 2,467 | Chicago Illinois Houston Texas |
| 語意 | family（家人／性別） | 506 | boy girl brother sister |
| 語法 | gram1-adjective-to-adverb（形容詞→副詞） | 992 | amazing amazingly apparent apparently |
| 語法 | gram2-opposite（反義字首） | 812 | acceptable unacceptable aware unaware |
| 語法 | gram3-comparative（比較級） | 1,332 | bad worse big bigger |
| 語法 | gram4-superlative（最高級） | 1,122 | bad worst big biggest |
| 語法 | gram5-present-participle（-ing） | 1,056 | code coding dance dancing |
| 語法 | gram6-nationality-adjective（國名→國籍） | 1,599 | Albania Albanian Argentina Argentinean |
| 語法 | gram7-past-tense（過去式） | 1,560 | dancing danced decreasing decreased |
| 語法 | gram8-plural（名詞複數） | 1,332 | banana bananas bird birds |
| 語法 | gram9-plural-verbs（動詞第三人稱） | 870 | decrease decreases describe describes |
題數是我直接數 questions-words.csv 算出來的，加起來 19,544。family 那一類會拿來畫圖（TODO3、TODO7）。
整份作業分兩半
| 半場 | 做什麼 | 白話 |
|---|---|---|
| 前半（TODO1–3） | 用別人訓練好的詞向量 | 借一本現成的「字→數字」字典來考試 |
| 後半（TODO4–7） | 自己用維基百科訓練詞向量 | 自己編一本字典，再考同一份考卷，比比看 |
所以對你的影響是：後半一定比較花時間（要下載、抽樣、訓練），時程要把後半排前面一點。
2 程式部分：七個 TODO（佔 55%）
結論：老師給了寫好一大半的程式模板，你只要在標了 TODO 的格子裡補程式。其他格子不准改（改了扣 5 分）。
工具：兩個名字先認識
- Google Colab：在瀏覽器裡寫 Python、跑 Python 的網站，免費，不用在電腦上裝東西。老師建議用這個。檔案格式是
.ipynb（筆記本檔：程式、執行結果、文字說明放在同一個檔案裡）。 - Gensim：一個 Python 套件，專門處理詞向量。下載現成詞向量、自己訓練 word2vec，都靠它。
七個 TODO 一覽
| # | 要做什麼 | 配分 | 白話＋要注意 |
|---|---|---|---|
| TODO1 | 把考卷整理成表格（pd.DataFrame） | 5% | 把 questions-words.txt 讀進來，整理出三欄：題目、大類、小類。你要自己做出 questions、categories、sub_categories 三個清單，下一格才跑得動。提示：檔案裡用 : 開頭的那行是「小類的標題」，前 5 個是語意、後 9 個是語法。 |
| TODO2 | 用現成詞向量答題 | 10% | 模板預設用 glove-wiki-gigaword-100（史丹佛做的現成詞向量，每個字 100 個數字）。給前三個字，算出第四個字，把答案（preds）和標準答案（golds）存起來。之後的評分格子已經寫好，會自動算每一類的正確率。 |
| TODO3 | 畫 t-SNE 圖 | 5% | t-SNE（把 100 維的數字壓成 2 維，才能畫在紙上的一種方法）。把 family 類的字畫成散佈圖，看男／女的字有沒有排得很整齊。老師說想另外用別的降維方法比較也可以，但 t-SNE 一定要有。 |
| TODO4 | 從維基百科抽 20% 的文章 | 5% | 助教已經幫你把維基百科洗乾淨，分成 11 個 .gz 壓縮檔，每一行是一篇文章。以「篇」為單位抽樣。建議把「抽幾 %」寫成一個變數，因為報告還要跑 5%、10%。 |
| TODO5 | 用抽到的文章訓練自己的詞向量 | 10% | 用 Gensim 的 Word2Vec 訓練。前處理（訓練前先整理文字）算在這一項裡，怎麼做你自己決定，見下面。 |
| TODO6 | 用自己的詞向量答題 | 10% | 跟 TODO2 一樣，只是換成你自己訓練的那份。 |
| TODO7 | 再畫一次 t-SNE | 10% | 跟 TODO3 一樣，換成你自己的詞向量。 |
TODO5 的前處理：老師給的建議清單
前處理就是「訓練前先把文字整理乾淨」。老師建議可以試這幾種：
| 做法 | 白話 |
|---|---|
| 移除非英文字 | 把中文、符號、亂碼拿掉 |
| 移除停用詞（stop words） | 把 the、a、is 這種到處都有、沒什麼意思的字拿掉 |
| 詞形還原（lemmatization） | 把變化過的字改回原形，例如 rocks → rock |
| 比較好的斷詞 | 不要只用空白切字（例如 don't 怎麼切） |
| 只留常見字 | 出現太少次的字不放進字典 |
老師和助教都特別講了這句。舉例：如果你的「詞形還原」把 biggest 改回 big（要看工具怎麼設定）， 那「最高級」那一類的題目就永遠答不對了，因為答案 biggest 已經不在字典裡。 所以每一種前處理都要想一下：它會不會把考卷上的答案弄不見？
3 報告部分：六題要回答（佔 45%）
結論：報告不用另外交 Word 檔，直接寫在 .ipynb 最下面那個文字格子裡。模板已經把六題的題目都放好了，你照順序填答案。
報告開頭還有兩行要先填：Running environment（在哪裡跑）和 Python version（Python 版本）。沒寫扣 5 分。
| 題 | 題目（白話） | 配分 | 要不要附程式 | 助教補充 |
|---|---|---|---|---|
| 1 | 你用哪個詞向量模型？做了哪些前處理？參數怎麼設？ | 5% | 不用另外附 | 把 TODO2、TODO5 用的東西講清楚就好 |
| 2 | 維基百科抽 5%、10%、20%，成績差多少？ | 10% （每個 3%） | 不用附 | 助教說只要列出分數、討論就好（影片 17:41）。但筆記本裡最後留著的執行結果要是 20% 那一版。 |
| 3 | 換一個不是維基百科的語料訓練，各類題目的成績如何？ | 15% | 一定要附，沒附 0 分 | 程式寫在報告下面那格「Write your code here」。語料自己上網找，什麼都可以。 |
| 3.1 | ⤷ 列出結果 | 5% | ||
| 3.2 | ⤷ 介紹你選的語料，跟維基百科差在哪（資料量、主題、結構） | 5% | ||
| 3.3 | ⤷ 解釋成績為什麼變好或變差 | 5% | ||
| 4 | 挑至少 5 個字，每個字找出最像的 5 個字。你看到什麼？ | 10% | — | 老師在課堂上暗示：你會發現「貓」旁邊的字常常不是貓（W3 00:25:54）。這就是要你觀察的東西。 |
| 5 | 任何能讓報告更好的東西 | 5% | — | 自由發揮：多做實驗、多做分析 |
| 6 | 生成式 AI 使用說明 | 必填 | — | 沒用也要寫「沒有使用」（影片 20:13）。沒寫扣 10 分。 |
老師說以前有同學把題目丟給 AI，AI 就寫出一份很漂亮的分析，但根本沒跑實驗（W3 01:58:12）。 所以今年規定：第 3 題的實驗程式碼一定要放在筆記本裡，看得到你真的有跑。 所以對你的影響是：第 3 題不能只寫文字，要真的找一份語料、真的訓練一次。
4 怎麼交、會被扣什麼
結論：把 .ipynb 和 requirements.txt 壓成一個 zip，檔名照規定取，上傳 NTU COOL。檔名錯一個字就扣 5 分。
要交的東西
| 檔案 | 檔名規則 | 你的檔名（學號要自己填） |
|---|---|---|
| 程式＋報告 | NLP_HW1_school_student_ID.ipynb | NLP_HW1_CYUT_你的學號.ipynb（見下面警告） |
| 套件清單 | requirements.txt | requirements.txt（檔名固定） |
| 壓縮檔 | NLP_HW1_school_student_ID.zip | NLP_HW1_CYUT_你的學號.zip |
PDF 只給了清大的例子
NLP_HW1_NTHU_12345678。你是朝陽科大透過 TAICA 修課，我猜是 CYUT，但我沒有查到官方說法。
建議：去 NTU COOL 看有沒有公告，沒有的話寄信問助教 nthuikmlab@gmail.com。
requirements.txt 是什麼
一個純文字檔，列出你用了哪些套件、什麼版本，每行一個。例如：
gensim==4.3.3
pandas==2.2.2
scikit-learn==1.5.1上面版本號只是示意。請在 Colab 裡跑 !pip freeze，照你實際用到的套件抄下來。
報告裡一定要寫的執行環境
| 你在哪裡跑 | Running environment 寫什麼 | Python version 寫什麼 |
|---|---|---|
| Colab | Colab | 例如 Colab Python 3.12.x（在 Colab 跑 !python --version 看實際版本） |
| 自己電腦 | 作業系統＋CPU，例如 Windows 11, CPU: … | 例如 Python 3.11.9 |
用 AI 的規定
可以用，但兩個地方都要標：
- 程式註解：AI 產生的程式碼旁邊，加一行註解說「以下是 AI 生成的」。
- 報告第 6 題：寫清楚用了哪個 AI、生成了哪些部分。沒用也要寫「沒有使用」。
從網路上抄來參考的程式，也要附網址。
扣分表
| 違規 | 扣分 |
|---|---|
| 兩個人的程式或報告太像（不管誰抄誰，兩個都扣） | −100 |
| 報告沒寫生成式 AI 使用說明 | −10 |
程式檔名不對（只收 .ipynb） | −5 |
| zip 檔名不對 | −5 |
沒附 requirements.txt | −5 |
| 報告沒寫 Python 版本 | −5 |
| 改了模板裡不該改的程式（只准改「載入資料」的部分） | −5 |
老師說修課人數變多，有一部分會用 AI 先做初步檢查（W3 02:00:08）。 格式不對，機器可能直接判你沒分。所以對你的影響是：檔名、報告位置、執行結果這些「形式」要跟內容一樣認真對待。
5 說法互相打架的地方（照哪個做）
結論：PDF、程式模板、助教影片有 6 個地方講得不一樣。原因大多是今年 PDF 從去年版改過來，有些舊句子忘了刪。一律照「比較嚴格的那個」做，最安全。
我把 2025 年版和 2026 年版的 PDF 逐行比對過，所以能確定哪些是「去年留下來的舊句子」。
| # | A 說 | B 說 | 為什麼會這樣 | 建議照哪個做 |
|---|---|---|---|---|
| 1 | PDF 第 31 頁：第 3 題的額外實驗程式要放進筆記本，沒放 0 分 | PDF 第 33 頁：「額外實驗的程式不用上傳」 | 第 33 頁那句是 2025 年版留下來的，今年沒刪。助教影片（18:15）也確認要放。 | 放 |
| 2 | PDF 第 32 頁：只收 .ipynb | PDF 第 36 頁底：「Colab 用 File → Download → Download .py」 | 去年是交 .py，這句是舊的。助教影片（20:45）說下載 .ipynb。 | 交 .ipynb |
| 3 | PDF 扣分表：沒附 requirements.txt 扣 5 分 | 助教影片（21:14）：用 Colab 跑的話這個檔案不必要 | 兩邊講法不一致，不確定助教改分時照哪個。 | 還是附上（多交一個小檔沒有壞處，少交可能扣 5 分） |
| 4 | PDF：挑至少 5 個字，每個字各找 5 個最像的 | 模板報告格第 4 題：「Select a few words」（挑幾個字） | 模板的題目是去年的寫法，PDF 今年改嚴了。 | 至少 5 個字 |
| 5 | PDF 第 2 頁：King + Queen − Man ≈ Woman | 模板提示：word_b + word_c − word_a ≈ word_d | PDF 打錯了。 | 照模板：B − A ＋ C |
| 6 | 模板 README：一組備用下載連結（10 條＋1 條） | 程式模板裡：另一組下載連結（11 條） | 我今天（9/28）一條一條測過：README 那組 11 條有 10 條已經壞了（404）；模板裡那組 11 條全部正常。 | 用模板裡那組。都不行時用 README 最下面的整包備援連結（wiki_texts.zip，今天測過還在）。 |
PDF 沒講，助教影片（17:41）說不用，列出分數、討論就好。 但要注意：筆記本裡 TODO4–7 最後留下的執行結果，一定要是 20% 那一次跑的（PDF 第 31 頁、影片 16:27）。 所以對你的影響是：5% 和 10% 可以先跑、把分數抄下來，最後一次一定要用 20% 從頭跑完再存檔。
6 一定會踩的雷
結論：最致命的是「交出去的檔案沒有執行結果」和「Colab 記憶體爆掉」。其他幾個是模板本身的小毛病，知道了就不會卡。
雷 1：執行結果不見（最致命）
原文：如果沒附執行結果，所有跟實驗結果和圖有關的分數都拿不到。
會出事的情況：
- Colab 斷線或重開後，畫面上的輸出被清掉，你沒發現就下載了。
- 你用「編輯 → 清除所有輸出」讓檔案變小。
所以對你的影響是：下載後，用別的地方打開那個 .ipynb 確認一次（例如上傳到 Google Drive 預覽，或用 VS Code 打開），看得到數字和圖才算數。
雷 2：Colab 記憶體爆掉
老師在課堂上特別講（W3 01:55:40）：作業設計成 Colab 免費額度跑得完。 以前有同學說記憶體不夠，通常是程式寫法有問題——把 100% 的維基百科全部讀進記憶體，再從裡面挑 20%。
正確的想法是：一行一行讀，讀到一行就決定要不要留，留的直接寫進新檔案。這樣記憶體裡永遠只有一行。
資料量參考：模板註解寫每個檔 562,365 篇文章（最後一個檔比較少），11 個檔加起來超過 560 萬篇。20% 大約 110 萬篇以上。
雷 3：大小寫對不上
考卷裡有大寫字（例如 Athens、Greece）。glove-wiki-gigaword-100 這份現成詞向量裡的字是全部小寫的。
直接拿 Athens 去查會找不到，程式會報錯。所以要先想好大小寫怎麼處理。
這類「字典裡沒有這個字」的狀況叫 OOV（out-of-vocabulary：字典外的字）。你自己訓練的詞向量一定也會遇到，要決定遇到時怎麼辦（跳過？算答錯？），並在報告裡說明。
雷 4：模板裡有一個沒定義的變數
TODO4 那格用到 output_path，但模板沒有定義它，直接跑會報錯 NameError。
你要自己給它一個檔名（例如 "wiki_texts_sampled.txt"）。這屬於「載入資料」的部分，是規定允許改的。
雷 5：存下來的圖片是空白的（不影響分數）
TODO3、TODO7 那格的最後兩行是先 plt.show() 再 plt.savefig()。在 Colab 裡，show() 之後圖就被清掉了，所以存出來的 word_relationships.png 會是空白的。而且 TODO7 會蓋掉 TODO3 存的同名檔。
所以對你的影響是：不影響分數，因為助教看的是筆記本裡顯示的圖。只是如果你想拿那張 png 放報告，要自己另外存一次。這兩行是模板的一部分，不要去改。
雷 6：Gensim 安裝後匯入出錯（不確定會不會遇到）
Colab 預設沒裝 Gensim，要自己 !pip install gensim。老師在 W3 最後也提到 Gensim 更新比較慢（02:50:04）。
常見的狀況是：裝完後 import 出錯，原因通常是它跟 Colab 內建的 numpy 版本不合。這時通常要「執行階段 → 重新啟動工作階段」再跑一次。
這一條是我根據 Gensim 過去的常見問題推測的，今天沒有實際在 Colab 上試。遇到了再處理即可。
雷 7：題目的答案會不會「作弊」到自己
用 most_similar 找最像的字時，Gensim 會自動排除你丟進去的那三個字。如果你自己手算相似度、沒排除，答案常常會是題目裡的某個字（例如算出來最像的是 king 本身）。
所以對你的影響是：自己寫計算的話要記得排除；用 Gensim 內建函式就不用擔心。
7 老師在課堂上怎麼說這份作業
結論：老師講了很多，歸納起來只有三件事—— （一）這份作業會考；（二）作業跑出來的結果會怪怪的，那個「怪」才是重點；（三）可以用 AI，但你自己要懂、要真的跑過。
先補一個背景：為什麼老師說的話很重要
這門課的總成績是：四次作業 75%＋一次考試 25%（助教在 Slido 上的回答）。
考試排在大約第 14 週（12 月初），是到教室寫紙本、不能看資料的那種。
所以老師說「考試考什麼」，會直接決定你這份作業該怎麼做。下面三件事都跟這個有關。
第一件事：考試會考「你做作業時發現了什麼」
老師說：不會叫你背公式。會考你做作業時自己看出來的道理。 （他用的英文字是 insight，意思就是「自己發現的道理」。）
為什麼：這門課沒有用課本，老師上課比較像在講故事，沒有一步一步的算式可以考。 能考的，就只剩「你實際動手做過，才會知道的事」。
舉個例子（這是我舉的，老師沒給考古題）：考題可能長得像「你自己訓練的詞向量，為什麼分數比現成的低？」。 沒自己跑過的人，只能背 AI 給的答案；跑過的人會記得自己當時看到什麼。
所以你要做的：每跑完一個實驗，就用一句話寫下「我看到什麼、我覺得為什麼」。 這些句子之後可以直接放進報告，也是考前最好的複習資料。
第二件事：結果會怪怪的，老師就是要你看到這個「怪」
先講一個前提：詞向量把每個字放在一張「地圖」上，意思越像的字，應該放得越近。 「找最像的字」就是在地圖上找離它最近的鄰居。
老師說，你做下去會遇到兩種怪事：
| 怪事 | 你會看到什麼 | 跟作業哪裡有關 |
|---|---|---|
| 1. 鄰居不像它 | 找「cat（貓）」最近的鄰居，前幾名常常跟貓一點關係都沒有。老師說「不是一點問題，是非常多問題」。 | 報告第 4 題（找 5 個字的最像的字）就是要你親眼看到這件事，再想為什麼。 |
| 2. 答案差一點點 | 算 queen − king ＋ man，正確答案 woman 不一定是第一名，可能排第二、第三。 | 作業只算「第一名有沒有猜中」，所以分數可能比你預期的低。這可以拿來寫報告第 5 題：如果「前 3 名有猜中就算對」，分數會變多少？ |
為什麼會這樣：詞向量不是從「字的意思」學來的，是從「這個字常跟哪些字一起出現」學來的。 所以常常出現在一起、但意思不一樣的字，也會被放得很近。例如 hot（熱）和 cold（冷）的前後文很像，在地圖上就常常是鄰居。
所以你要做的：看到奇怪的結果，先確認不是程式寫錯。確認沒錯之後，那個怪結果就是你報告的材料，不用藏起來。 把它寫下來，再猜一個原因。這正是第一件事說的「考試會考的東西」。
第三件事：可以用 AI，但你要懂、要真的跑過
老師說：他自己試過，把作業丟給 AI，AI 都做得出來，擋也擋不住，所以允許用。
但是去年出過事：有人叫 AI 直接寫出很漂亮的分析和圖，老師根本看不出他到底有沒有跑實驗。
所以今年多了三條規定，都是為了確認「你真的有做」：
| 規定 | 為什麼這樣定 |
|---|---|
| 報告第 3 題的實驗程式碼，一定要放在筆記本裡 | 看得到程式和執行結果，才能證明實驗真的跑過。沒放，這題 0 分。 |
| 格式要完全照規定 | 修課人數變多，有一部分會先用 AI 檢查格式。格式不對，可能直接被判沒分。 |
| 兩份作業太像，抄的人和被抄的人都是 0 分 | 老師說這是故意的：讓你可以理直氣壯地跟同學說「不能借你，借了我也會 0 分」。 |
所以你要做的：AI 幫你寫的程式，每一段你都要說得出「它在做什麼」。 可以跟同學討論做法，但報告和心得要各自寫，也不要把自己的檔案傳給別人。
其他順口提到的小事
| 老師說 | 你要知道的 |
|---|---|
| Colab 免費的就跑得完 | 如果記憶體爆掉，通常是程式寫法的問題，不是電腦不夠力。怎麼避免見第 6 節雷 2。 |
| 三週時間很夠，但大家都拖到最後一週 | 最後一週才開始會很趕。要寫出好的報告，需要時間多跑幾次實驗。 |
| t-SNE 圖一定要有 | 想多用別的方法畫圖來比較也可以，但 t-SNE 那張不能少。 |
| 想做多深都可以 | 前處理、參數可以自己亂試。只要在報告裡寫清楚你做了什麼。 |
| Colab 大概要跑多久，會請助教公布 | 到 9/28 為止還沒公布，記得留意 NTU COOL 或 Slido。 |
想回去看影片的話，時間點在這裡（W3 = 9/24 那堂課）： 考試考 insight → W3 01:47:43、02:48:36｜鄰居不像它 → W3 00:04:34、00:25:54｜答案不一定第一名 → W3 00:31:12｜ 允許用 AI → W2 02:46:46、W3 01:57:27｜去年 AI 寫分析的事 → W3 01:58:00｜先用 AI 檢查格式 → W3 02:00:08｜ 被抄也 0 分 → W3 02:01:03｜Colab 跑得完 → W3 01:55:40｜三週很夠 → W3 02:01:33｜t-SNE → W3 01:54:00｜跑多久 → W3 02:48:09。 總成績比例來自 W1 Slido 助教的回答。
8 附加文件地圖（每個東西在哪裡）
結論：作業相關的東西都收進 C:\D槽\TAICA課程\自然語言處理\HW1\ 了。投影片和上課逐字稿很大，沒有複製，直接連到原本的位置。
HW1 資料夾裡有什麼
自然語言處理\HW1\
├─ HW1_作業介紹.html ← 就是這份
├─ HW1_Word_Analogy_規定.md ← 給 AI 讀的規定摘要（從上一層搬進來，已補上今天的新發現）
├─ 原始檔_2026\ ← 從課程 GitHub 複製一份（原檔沒動）
│ ├─ NLP_HW1_word_emb.pdf 作業說明，37 頁
│ ├─ main.ipynb 程式模板（要交的就是這個檔改好的版本）
│ ├─ questions-words.csv 考卷，19,544 題
│ └─ README.md 維基百科資料的備用下載連結
└─ 助教說明影片\
├─ HW1_助教說明_自然語言處理.m4a 助教錄的作業說明，24 分鐘
└─ HW1_助教說明_自然語言處理.逐字稿.txt 逐字稿（361 行）點了就能打開
下面的連結是相對路徑，這份 HTML 要放在 HW1\ 資料夾裡才點得開。PDF 會直接跳到指定頁。
| 東西 | 連結 | 什麼時候用 |
|---|---|---|
| 作業說明 PDF | 全份｜p13 TODO 清單｜p31 評分｜p36 扣分 | 確認原文 |
| 程式模板 | main.ipynb | 上傳到 Colab 開始寫 |
| 助教說明逐字稿 | 逐字稿 | 查助教怎麼講某一題 |
| 助教說明影片（線上） | youtu.be/4nktsdfU24k | 想看畫面時 |
| 課程 GitHub（線上） | IKMLab/NTHU_Natural_Language_Processing | 檢查作業有沒有更新 |
| 投影片：word2vec 怎麼訓練 | W1_NLP_brief_v2 p81–84 | 寫 TODO5 前複習 CBOW、Skip-gram |
| 投影片：GloVe、FastText、該用哪種 | W1_NLP_brief_v2 p91–93 | 報告第 1 題解釋你選的模型 |
| 投影片：詞向量的特性（含類比） | W2_Word embeddings…_v2 p29–38 | p30 就是 analogy 的圖 |
| W3 上課逐字稿 | W3 逐字稿 | 作業介紹在 01:46:41–02:02:00；Q&A 在 02:48:09 之後 |
| 去年（2025）版作業 | 2025 版 PDF | 只用來比對，不要照它交 |
線上資源
| 東西 | 位置 |
|---|---|
| 交作業 | NTU COOL |
| 問問題 | Slido：app.sli.do/event/oBajtdC5ZobNokWieGtjAg |
| 助教信箱 | nthuikmlab@gmail.com |
| Gensim 說明文件 | radimrehurek.com/gensim/models/word2vec.html |
如果助教之後改了作業，GitHub 上的會變、這份不會變。 要檢查有沒有更新：在
C:\D槽\TAICA課程\自然語言處理\NTHU_Natural_Language_Processing\ 跑 git pull，再看 2026\Assignments\Assignment1\。今天（9/28）檢查過，還是 9/24 那一版。
9 建議時程與還沒確定的事
結論：還有 17 天。建議這週把前半做完、下載好維基百科；下週跑完所有實驗；最後一週只寫報告和檢查格式。
建議時程
| 時間 | 做什麼 | 為什麼排這裡 |
|---|---|---|
| 9/28–10/4 | TODO1–3（前半）＋下載、解壓維基百科＋先用 5% 試跑 TODO4–5 | 前半最簡單，先拿到分數。5% 試跑可以早點發現記憶體、安裝問題。 |
| 10/5–10/11 | 用 5%、10%、20% 各跑一次，抄下分數；找第 3 題的語料並訓練 | 最花時間的在這週。Colab 可能中途斷線，要留重跑的時間。 |
| 10/12–10/14 | 最後用 20% 從頭跑一次、寫六題報告、做第 10 節的檢查清單 | 最後留的執行結果必須是 20% 版。 |
| 10/15（四） | 上傳 NTU COOL | 幾點截止要先查好。 |
還沒確定的事（我查不到，要你去確認）
| 問題 | 目前知道的 | 去哪確認 |
|---|---|---|
| 確切截止時間（哪天幾點） | 老師說「公布後三週」→ 推算 10/15（四） | NTU COOL 作業頁 |
| 檔名的 school 填什麼 | 我猜 CYUT，沒有官方根據 | NTU COOL 公告，或寄信問助教 |
| 遲交怎麼算 | W1 Slido 有人問「遲交是不是直接 0 分」，我存下來的紀錄裡沒有看到回答 | Slido 或 NTU COOL |
| 能不能在期限內重複上傳 | W1 Slido 有人問，同樣沒看到回答 | Slido 或 NTU COOL |
| Colab 大概要跑多久 | 老師說會請助教提供以前的經驗，目前還沒公布 | NTU COOL、Slido |
10 繳交前檢查清單
結論：上傳前一項一項按「OK」。有問題的按「有問題」寫一句，最上面的按鈕可以把問題清單複製給我。
每一項都寫成「你應該看到什麼」。進度會存在這台電腦的瀏覽器裡，關掉再開還在。
檔案本身
- zip 檔名是
NLP_HW1_學校_學號.zip，學校代碼已確認過 - zip 裡面有
NLP_HW1_學校_學號.ipynb，副檔名是.ipynb不是.py - zip 裡面有
requirements.txt，每行一個套件＋版本 - 用別的地方重新打開下載好的
.ipynb，每一格下面都看得到執行結果
程式部分
- TODO1 那格下面看得到
df.head()印出的表格（三欄：Question、Category、SubCategory） - TODO2 之後的評分格印出每個大類、小類的正確率
- TODO3 下面看得到 t-SNE 圖（family 類的字）
- TODO4–7 留下的執行結果是 20% 那一次
- TODO6 之後的評分格印出你自己詞向量的正確率
- TODO7 下面看得到第二張 t-SNE 圖
- 除了 TODO 格子和載入資料的地方，模板其他程式都跟原版一樣
- AI 產生的程式碼旁邊都有註解標明；網路上參考的程式有附網址
報告部分
- 報告開頭填了 Running environment
- 報告開頭填了 Python version（實際版本號，不是只寫 3）
- 第 1 題：寫了模型名稱、前處理步驟、超參數（例如向量長度、視窗大小、訓練幾輪）
- 第 2 題：5%、10%、20% 三個都有分數，也有比較和討論
- 第 3 題：報告下面的「Write your code here」格子裡有換語料的程式，而且有執行結果
- 第 3 題：3.1 結果、3.2 語料介紹與差異、3.3 原因分析，三小題都有答
- 第 4 題：至少 5 個字，每個字列出 5 個最像的字，並寫了觀察
- 第 5 題：有寫額外的分析或實驗（空著會少 5%）
- 第 6 題：寫了生成式 AI 使用說明（沒用也要寫「沒有使用」）
- 報告和心得是自己的話，沒有跟同學的長得一樣
上傳
- NTU COOL 作業頁顯示已上傳，檔名正確
- 上傳時間在截止時間之前
本報告的每一項判斷都來自實際查證（讀作業 PDF 全文、讀程式模板每一格、數考卷題數、逐條測試下載連結、比對 2025／2026 兩版 PDF、讀助教影片與 W2／W3 上課逐字稿），不是推測。唯二的推測已在文中標明：檔名的學校代碼（第 4 節）、Gensim 安裝問題（第 6 節雷 6）。