Word2Vec通过训练语料库中的词语上下文来生成词向量，这些词向量可以捕捉到丰富的语义关系。下面是一些常见的语义关系，Word2Vec能够在词向量中捕捉到的：

  1. 同义词关系：Word2Vec能够将具有相似语义的词语映射到相似的向量空间中。例如，"happy"和"joyful"在向量空间中会有相似的表示。

  2. 类比关系：Word2Vec还能够捕捉到词语之间的类比关系，例如“man”和“woman”的关系类似于“king”和“queen”的关系。可以通过计算向量空间中的向量差异来实现类比推理，例如 vector("woman") - vector("man") + vector("king") ≈ vector("queen")。

  3. 上下文关系：Word2Vec通过训练文本上下文中的词语，学习到了词语之间的上下文关系。例如，在一个训练过程中，如果“Paris”经常与“France”、“capital”等词一起出现，那么在词向量空间中，它们的向量会有较高的相似性。

  4. 层级关系：Word2Vec还可以捕捉到词语之间的层级关系，例如，"apple"可能会在词向量空间中与"fruit"、"juice"等词的向量更加接近，而与"computer"、"technology"等词的向量则较远。

  需要注意的是，Word2Vec最终的能力取决于训练语料库的质量和大小。如果使用足够大且多样化的语料库进行训练，Word2Vec可以更准确地捕捉各种语义关系。