【自然语言处理】用 Word2Vec 将词语映射到向量空间详解

在自然语言处理（NLP）领域，我们常常需要将文本信息转化为机器能够理解和处理的形式。传统的方法，如 one-hot编码，虽然简单，但存在严重的稀疏性和高维度问题，且无法体现词语之间的语义关系。

为了解决这一问题，研究人员提出了Word Embedding（词嵌入）的方法。其中最著名、应用最广泛的模型之一便是 Word2Vec。

Word2Vec 是由 Google 团队在 2013 年提出的一种将单词映射为连续向量的浅层神经网络模型。

其核心思想是：

将词语投影到一个低维度的向量空间中，使得语义上相近或语法上相关的词在向量空间中也接近。

简单来说，Word2Vec 可以把“王（king）”和“女王（queen）”之间的关系，与“男人（man）”和“女人（woman）”之间的关系用向量差异表示出来，且这些关系在向量空间中保持一致。

从图中可以看到，

这种特性使得 Word2Vec 在 NLP 各种任务中都发挥了巨大的作用，如文本分类、情感分析、机器翻译、推荐系统等。

Word2Vec 提供了两种主要的训练策略：

CBOW（Continuous Bag of Words，连续词袋模型）
- 通过上下文词（周围的词）来预测当前的中心词。
- 适合小型数据集，训练速度快。
- 示例：给定句子 "The cat sits on the mat"，如果中心词是 "sits"，那么输入是 "The", "cat", "on", "the", "mat"，目标是预测 "sits"。
Skip-gram
- 通过当前词预测周围的上下文词。
- 更适合大规模数据集，且能够更好地捕捉稀有词的信息。
- 示例：给定中心词 "sits"，目标是预测 "The", "cat", "on", "the", "mat"。

这两种方式本质上都是在通过局部上下文来学习词的分布式表示（distributional representations）。

如图所示，经过训练后，单词被映射到一个高维向量空间，具备如下特性：

语义相似性：词义相近的词在空间中位置也接近。
- 例子：king 与 queen，man 与 woman。
语法相似性：词性相同的词之间的向量方向相近。
- 例子：复数形式（cars vs. car），时态变化（running vs. run）。
向量运算：可以用简单的向量加减表示词与词之间的关系。
- 例子：vector(king) - vector(man) + vector(woman) ≈ vector(queen)。

这一点，极大地提升了自然语言处理中理解、推理和生成文本的能力。

Word2Vec 的训练过程其实非常高效，主要分为以下几个步骤：

最终，得到的词向量可以直接用于后续各种NLP任务。

Word2Vec 作为自然语言处理中里程碑式的技术，为后来的各种深度学习模型（如BERT、GPT）奠定了基础。
即使到今天，理解词嵌入和向量空间的基本原理，仍然是掌握高级自然语言处理技术的重要前提。

本文通过图示，简单直观地展示了 Word2Vec 如何将单词映射到向量空间，并体现出词语之间微妙而丰富的语义关系。
希望能帮助你更好地理解这一经典模型，为后续深入学习打下基础！

Tomas Mikolov et al. (2013), “Efficient Estimation of Word Representations in Vector Space”
Chris Albon, Machine Learning Flashcards
《Deep Learning》 — Ian Goodfellow 等

🔔 如果你觉得本文有帮助，欢迎点赞、收藏或留言交流！