请描述使用Word2Vec模型训练得到词向量的具体流程，并说明有哪些方法可以评价所获得词向量的质量？

回答思路

1. 【回答框架 1】Word2Vec通过神经网络语言模型学习词的低维稠密向量表示，主要有CBOW和Skip-gram两种架构。CBOW利用上下文预测中心词，适用于小数据集；Skip-gram用中心词预测上下文，对低频词效果更好。训练时通过负采样或层次Softmax优化计算效率，最终得到的词向量能捕捉词语间的语义和语法关系。
2. 【回答框架 2】评估词向量质量可分为内部评估和外部评估。内部评估直接测试词向量的语义相似性，如使用词相似度数据集计算余弦相似度与人工评分的相关性（斯皮尔曼相关系数）；另一种常见方法是词类比任务，例如'国王-男+女=女王'，通过向量运算验证语义关系。
3. 【回答框架 3】外部评估是将词向量作为特征输入下游任务（如文本分类、命名实体识别），通过任务性能评估词向量的有效性。此外，还可以通过可视化方法（如t-SNE）直观观察词向量聚类情况，但可视化仅作辅助。
4. 【关键点 1】Word2Vec包含CBOW和Skip-gram两种模型，对应不同训练目标。
5. 【关键点 2】常用负采样和层次Softmax优化训练效率。
6. 【关键点 3】内部评估关注词语相似度与类比任务，外部评估通过下游任务表现衡量。
7. 【关键点 4】评估常使用Spearman相关系数分析相似度相关性。
8. 【易错点 1】词类比任务存在方向性偏差，如'国王-男+女'结果不一定精确为'女王'。
9. 【易错点 2】内部评估指标高不代表下游任务一定好，需结合具体应用场景。
10. 【易错点 3】可视化聚类可能受降维算法影响，不能单独作为评价依据。