數學原理： 公式為兩個向量的內積除以它們長度的乘積，其數值介於 \(-1\) 到 \(1\) 之間。
- 值 = 1： 夾角為 0 度，代表語意完全相同或方向完全一致。
- 值 = 0： 夾角 90 度，代表兩個詞彙毫無關聯。
- 值 = -1： 夾角 180 度，代表意義完全相反。 [1, 2, 3]
最大優勢： 它不受文本長度的影響，只專注於向量的「方向」（即語意方向），常用於處理文本與搜尋任務。 [1, 2]

三、應用情境

這兩者結合後，廣泛應用於現代 AI 系統中： [1]

欲深入了解詞向量的數學結構，可參考中央研究院中文詞知識庫的詳細說明；若想掌握演算法的計算細節，可至維基百科的餘弦相似性查閱完整公式與定義。 [1]

yu

詳解 #7429058

2026/07/03

考場實戰範本（及格目標版）

一、自動化量化詞彙相似度的方法：詞向量模型（Word2Vec）

要自動化量化詞語的相關度，最常使用的方法是「詞向量（Word Embedding）」技術中的 Word2Vec 模型。

自動化訓練原理：這個方法是基於「上下文預測」的原理。電腦會自動閱讀大量的文章（例如維基百科），並利用 Skip-gram 或 CBOW 模型，觀察一個詞週邊常出現哪些字。如果兩個不同的詞，在文章中經常被塞在「相似的上下文」裡，電腦就會自動賦予這兩個詞非常接近的「空間座標（即向量）」。
計算相似度的公式：當每個詞都被變成一串數字（向量）後，我們使用「餘弦相似度（Cosine Similarity）」來計算。公式為：
\(\text{餘弦相似度}=\frac{\text{兩個向量的內積}}{\text{兩個向量長度的乘積}}\)
這個公式計算出來的分數會在 -1 到 1 之間。分數越接近 1，代表在空間中的角度越小，也就是主題或概念越相近。

二、題目詞彙之實例說明

透過上述自動化訓練後，我們可以將題目中的四個詞彙轉化為向量，並計算其相似度：

高相似度組（情書 — 心意）：在大量文本中，「情書」和「心意」常出現在談論情感、告白的脈絡中（例如：「寫情書傳達心意」）。經過計算，其餘弦相似度會接近 1，量化呈現出兩者的高相關性。
高相似度組（宇宙 — 太空）：在科學、天文類的文章中，「宇宙」與「太空」週邊常出現恆星、火箭、探索等相同的上下文。因此電腦會給予它們相似的向量，計算出來的相似度分數同樣會接近 1。
不相關組（宇宙 — 心意）：這兩個詞在現實文本中，幾乎不會出現在相同的上下文脈絡裡。因此，在向量空間中，它們的向量方向會接近垂直，計算出來的餘弦相似度分數會接近 0，成功量化出它們在概念上不相關。

三、結論與資訊檢索系統之應用

這種可自動化量化詞彙相似度的技術，是現代「資訊檢索系統（如搜尋引擎）」的核心。
傳統搜尋只能比對一模一樣的字，但當系統內建了 Word2Vec 模型後：

?️ 怎麼改？考場避坑指南（對照老師扣分點）：

公式千萬別寫錯：
- ❌ 兩個向量內積 / 長度乘積（這樣寫會變成分子在除，語意不清）。
- ⭕ 寫成分數線的格式（分子是內積，分母是長度乘積），或者寫「內積除以長度乘積」。
題目給什麼詞，你就用什麼詞：
- 不要自己發明「前進、後退」。題目既然給了「情書、心意、宇宙、太空」這四個詞，你在舉例時，就要分組把這四個詞全部塞進去解釋一遍。
把「資訊檢索」和「向量」連起來：
- 既然開頭或結尾提到資訊檢索，就要解釋為什麼向量對檢索有幫助。最簡單的講法就是：因為電腦懂了「太空=宇宙」，所以使用者搜尋太空時，含有宇宙的書也能被找出來。

ㅤㅤ

申論題作答 (共 1 筆)

詳解 (共 2 筆)