✅ 一、基础认知类
什么是 Word2Vec？它的基本思想是什么？
关键词：将词语转换为向量表示；捕捉语义关系；基于上下文预测Word2Vec 与 One-hot 编码的区别？
关键词：维度灾难(维度过高，存储空间大)、高稀疏性、语义表达能力(没有距离概念，无法计算相似度)、内积关系Word2Vec 的两种模型是什么？它们有何区别？
答案：Word2Vec的重要假设：文本中离得越近的词语相似度越高。主要有：CBOW（Continuous Bag of Words） 和 Skip-Gram。（采用滑动窗口+负样本）- CBOW：用上下文词来预测中心词
- Skip-Gram：用中心词预测上下文词
Word2Vec的缺点：
- 没有考虑同义词（无法动态调整词向量）
- 窗口长度有限（仅是周围的词义）
- 没有考虑全局的文本信息
- 不是严格意义的语序
✅ 二、原理机制类
4. Word2Vec 是如何训练的？目标函数是什么？
答案：通过上下文预测词、最大化似然函数；负采样或层次 Softmax 优化
为什么 Skip-Gram 更适合小语料？CBOW 更适合大语料？
理由：Skip-Gram 精度高，CBOW 训练快什么是负采样（Negative Sampling）？为什么要使用它？
关键词：减少计算开销、近似 Softmax、提升效率Word2Vec 中的窗口（window size）参数作用是什么？
答案：定义上下文的范围，影响模型捕捉的语义颗粒度
✅ 三、数学理解类（进阶）
8. Skip-Gram 的目标函数推导？
关键词：最大化上下文词的联合概率、log-likelihood
Word2Vec 为什么能捕捉“词义”的相似性？
答案：相似上下文 → 向量接近 → cosine 相似度体现语义相近Word2Vec 向量中的“王 - 男人 + 女人 ≈ 女王”是怎么实现的？
答案：词向量捕捉了语法与语义的偏移关系，本质为线性关系在高维空间中成立
✅ 四、工程实现类
11. Word2Vec 的训练流程？
步骤：构建词汇表 → 生成训练样本 → 输入神经网络 → 优化目标函数 → 得到词向量
用什么库实现 Word2Vec？是否手写过？
答案：gensim、TensorFlow、PyTorch，是否了解其实现细节或自定义训练？训练 Word2Vec 时如何处理 OOV（未登录词）？
方法：使用 、子词模型、FastText 替代等策略
✅ 五、扩展与对比类
14. Word2Vec 与 TF-IDF 的区别？
TF-IDF：基于统计，不考虑上下文，无需模型训练，无法表达语义相似性；Word2Vec：基于上下文建模，保留语义，需要模型训练，可以表达语义相似性。
TF-IDF（term frequency–inverse document frequency，词频-逆向文件频率）是一种用于信息检索（information retrieval）与文本挖掘（text mining）的常用加权技术。
Word2Vec 与 GloVe 有何异同？
Word2Vec：局部上下文预测；GloVe：基于全局共现矩阵建模Word2Vec 与 FastText 的区别？
FastText：使用子词信息，可处理 OOV，更适合小语料，捕捉形态学信息Word2Vec 与 BERT 的区别？
Word2Vec：静态词向量，无法区分“银行”的歧义；BERT：上下文相关、动态词向量
✅ 六、实际应用类
18. 如何评估 Word2Vec 模型的好坏？
方法：词相似度评估（WordSim-353）、类比任务（man:king = woman:?）、下游任务表现
你在哪些项目中使用过 Word2Vec？它起到了什么作用？
示例：文本分类、搜索相关性、推荐系统、聚类、主题建模等如何将 Word2Vec 向量应用到分类模型中？
答案：将词向量平均/拼接作为句子向量，输入到分类模型（如 LR、SVM、DNN）
✅ 七、面试加分项：批判性思维
21. Word2Vec 的缺陷和改进方向？
缺点：
无法建模多义词（静态）
无法处理 OOV( “Out-of-Vocabulary” 的缩写，意思是 未登录词 或 词表外词汇。)
长文本无法直接表示
发展方向：
子词建模（FastText）
上下文相关表示（ELMo、BERT）
预训练+微调模式