一、前言
词向量、词嵌入或者称为词的分布式表示，区别于以往的独热表示，已经成为自然语言任务中的一个重要工具，对于词向量并没有直接的方法可以评价其质量，下面介绍几种间接的方法。
二、评价方法
对于词向量的评价更多还是应该考虑对实际任务的收益，脱离的实际任务很难确定A模型就一定比B好，毕竟词向量方法更多是一种工具。
1、语义相关性任务
这个任务用来评价词向量模型在两个词之间的语义相关性，如：学生与作业，中国与北京等。
具体方法由监督模式实现，首先需要一份如下的标记文件，一般可以由人工标注：
学生 上课 0.78
教师 备课 0.8
...
上述文件代表了词语之间的语义相关性，我们利用标注文件与训练出来的词向量相似度进行比较，如：词向量之间的cos距离等，确定损失函数，便可以得到一个评价指标。
但这种方法首先需要人力标注，且标注的准确性对评价指标影响非常大。
2、语义类比任务
这个任务词向量来考察不同单词间的语义关系能力，一般给定三个词，如a、b、c，要求寻找a+b = c + ？任务中最相似的词，一般使用向量间距离来进行寻找，如：
queen-king+man=women
同样需要准备标记文件，根据寻找出来的词的正确率判断词向量的质量。
3、文本分类任务
这个任务利用词向量构成文本向量，一般采用求和平均的方式，之后利用构成的文本向量进行文本分类，根据分类的准备率等指标衡量词向量的质量。
三、模型优化
1、模型
对于自然语言处理任务，在模型效果相差不大的情况下，选用简单的模型。
同样，复杂的模型对于大规模的语料效果更为明显，小语料尽量用简单模型。
2、语料
选用与自然语言任务同领域的语料，提升效果会非常明显，在一定语料规模范围内，语料越大，效果越好；如果使用不同领域的语料，甚至会有反面效果。
在语料的选择上，同领域的语料比大规模的其他领域语料重要。
3、向量维度
向量维度太小难以表现出语义的复杂度，一般更大的维度的向量表现能力更强，综合之下，50维的向量可以胜任很多任务。