前言

当今的大语言模型非常智能，但是你有没有想过这些事情：

• 机器是怎么理解“国王”和“王后”之间的关系？

• “猫”和“狗”是怎么在 AI 中“相似以及区分”的？

• 文本又是怎么变成模型能读懂的数字？

这一切，都要和一个强大的工具有关系，词嵌入：Word2Vec！

先看一张图片，如下是一个tensflow实现的word2vec的密密麻麻的词图，是不是感觉很壮观，那么AI是如何做到的呢 ？

本篇就要说下， Word2Vec是如何让 AI “读懂”文字的，先看定义，如下

定义

Word2Vec 是 Google 在 2013 年提出的一个自然语言处理模型，它能把文字转换成向量（数字），而且这些向量还包含了语义信息！

用一句话总结它的核心价值：Word2Vec 把人类理解的词变成“计算机能理解的向量”，并且保留词与词之间的关系！

怎么这么神奇，这就需要去了解下输出增强

输出增强

在word2vec出来之前，传统做法是使用「独热编码 One-Hot Encoding」来表示单词，比如：

单词	One-hot 向量（长度为5）
猫	[1, 0, 0, 0, 0]
狗	[0, 1, 0, 0, 0]
老鼠	[0, 0, 1, 0, 0]

从表中看到，存在两个主要的问题：

• 向量非常稀疏，占用内存

• 单词之间没有任何语义关系

比如，“猫”和“狗”在独热向量中完全没有联系，而 Word2Vec 能让「相似意思」的词靠得更近！那么Word2Vec 输出的是什么样的向量？和独热向量比有啥优势？我们看下Word2Vec的输出向量

输出的向量

Word2Vec 会给每个词一个低维度的密集向量，比如：

单词	向量（假设为3维）
猫	[0.21, 0.54, -0.31]
狗	[0.19, 0.50, -0.29]
老鼠	[-0.42, 0.18, 0.33]

更神奇的是，它还能保留词之间的关系：具备了一种“类人思维”的意思。通过各个维度的数据相似度，来区分和相似猫狗老鼠，那么各个维度的数据又是怎么训练出来的呢？

训练方式

Word2Vec 有两种主要的训练方式：

• CBOW训练
  CBOW（Continuous Bag of Words），是根据“上下文词”，预测“中心词”。

举例：

给定上下文：我 喜欢 __ 晚饭
模型要学会填空：“吃”

结构图：

上下文词 → 中间隐藏层 → 预测中心词

适合小数据集。

• Skip-Gram训练

根据“中心词”，预测“上下文词”。

举例：

中心词：“吃”，模型要学会预测“我”“喜欢”“晚饭”

结构图：

中心词 → 中间隐藏层 → 预测多个上下文词

适合大数据集。

实战示例

我们用 Gensim 来实现 一个Word2Vec的示例如下

from gensim.models import Word2Vecsentences = [["我", "喜欢", "吃", "晚饭"],["猫", "喜欢", "鱼"],["狗", "也", "喜欢", "鱼"]]model = Word2Vec(sentences, vector_size=100, window=2, min_count=1, sg=1)  # sg=1表示用Skip-Gramprint(model.wv["猫"])  # 查看“猫”的词向量
print(model.wv.most_similar("猫"))  # 查找最相近的词

应用场景

场景	示例
语义相似性	推荐系统中：喜欢“披萨”的人可能也喜欢“汉堡”
文本聚类	新闻分类、问答系统
情感分析	正负面情绪词向量聚类
机器翻译	词义对齐、多语言向量空间

局限性分析

虽然 Word2Vec 非常强大，但也有一些局限：

• 静态词向量：一个词在不同语境下表示一样，比如“银行”在“金融银行”和“河岸”中的意思不同，但 Word2Vec 分不清

• 对上下文敏感度弱：只靠邻近的词来训练

• 冷启动问题：对新词不友好

但好在，这些问题在后来的 BERT、ELMo 等上下文嵌入模型中得到了改善。

总结

特点	Word2Vec
优点	简洁、高效、能捕捉词的语义关系
训练方式	CBOW / Skip-Gram
输出结果	低维度、密集的词向量
主要应用	NLP 中的基础词嵌入层
局限	不考虑上下文、不支持多义词