当前位置: 首页 > article >正文

【NLP】 5. Word Analogy Task(词类比任务)与 Intrinsic Metric(内在度量)

Word Analogy Task(词类比任务)

定义:Word Analogy Task 是用于评估词向量质量的内在指标(Intrinsic Metric)。该任务基于这样的假设:如果词向量能够捕捉单词之间的语义关系,那么这些关系应该能够在向量空间中保持一定的结构。

示例
在一个理想的词向量空间中,单词之间的关系应该满足如下等式:

k i n g − m a n + w o m a n ≈ q u e e n king−man+woman≈queen kingman+womanqueen

即,如果你用向量 king 减去 man(表示去掉“男性”这个概念),再加上 woman(加入“女性”这个概念),那么你应该接近 queen(女王)的向量

计算方法
给定一个类比问题 A:B::C:D,即“A 之于 B,如同 C 之于 D”,则计算:D=B−A+C

然后,在词汇表中找到与 D 最接近的词向量,作为预测的答案。

应用

  • 评估词向量的质量,验证其是否能有效捕捉语义和句法关系。
  • 在训练 word embeddings(如 Word2Vec, GloVe, FastText)时常用此方法进行测试。

Intrinsic Metric(内在度量)

定义:Intrinsic Metric 是衡量 NLP 模型(如词向量模型)质量的一类指标,通常基于特定的语言学任务,如 Word Analogy Task、Word Similarity Task 和 Clustering Coherence。

特点

  • 快速计算:不需要依赖下游任务,只基于词向量本身计算指标。
  • 独立于具体应用:不同于 Extrinsic Metric(外在度量,依赖于特定 NLP 任务的表现),Intrinsic Metric 更关注词向量本身的质量。

常见的 Intrinsic Metric

  1. Word Similarity Task:通过计算词向量的余弦相似度,评估模型对同义词、近义词的表现。
  2. Word Analogy Task:评估词向量是否能正确表示语义关系(如 “Paris” : “France” :: “Berlin” : “Germany”)。
  3. Clustering Coherence:测试词向量在类别划分上的表现,如同义词是否聚集在一起。

优缺点
优点

  • 计算成本低,适用于快速测试词向量质量。
  • 提供模型的直观解释性(可以通过类比关系检查向量的语义质量)。

缺点

  • 不能直接反映模型在实际 NLP 任务中的表现。
  • 可能对训练数据敏感,不一定能泛化到真实任务。

http://www.kler.cn/a/586687.html

相关文章:

  • 微信小程序面试内容整理-JSON
  • 【c++】【线程】【信号量】三个线程顺序打印1--100
  • docker pull 镜像问题
  • 【Rust交叉编译】在x86_64架构下交叉编译aarch64-linux-musl版的rust-opencv
  • 面向工业与汽车领域的高安全可靠MCU——AS32X601系列芯片解析
  • 斯坦福:通过认知行为改进LLM推理
  • java设计模式面试题3道
  • 高级java每日一道面试题-2025年2月18日-数据库篇-MySQL 如何做到高可用方案?
  • Java开发之数据库应用:记一次医疗系统数据库迁移引发的异常:从MySQL到PostgreSQL的“dual“表陷阱与突围之路
  • 串排序(信息学奥赛一本通-2048)
  • 【虚幻C++笔记】引擎源码下载及编译步骤
  • Let’s Build AI- 实用AI导航网站
  • 正则表达式全解析 + Java常用示例
  • 多线程到底重不重要?
  • 双指针算法专题之——盛最多水的容器
  • 洛谷P4376 [USACO18OPEN] Milking Order G
  • 垃圾收集算法
  • R语言的移动应用开发
  • JavaWeb全链路学习:8、数据库-sql语句
  • 【免费】1949-2020年各省人均GDP数据