词向量（Word Embedding）

词向量（Word Embedding）是一种将自然语言中的单词映射到连续的向量空间的技术，使得语义相似的单词在向量空间中彼此接近。这种技术是现代自然语言处理（NLP）任务的基础之一，广泛应用于文本分类、机器翻译、问答系统等。

### 一、词向量的基本原理

#### 1. 离散表示 vs 连续表示
传统的自然语言处理方法通常使用离散表示（如one-hot编码）来表示单词。然而，这种方法存在以下问题：
- **维度灾难**：词汇表越大，向量维度越高。
- **缺乏语义信息**：每个单词都是独立的向量，无法表达单词之间的语义关系。

词向量通过将单词映射到低维的连续向量空间来解决这些问题。在这样的向量空间中，语义相近的单词具有相似的向量表示。

#### 2. 分布假说（Distributional Hypothesis）
词向量的核心思想基于分布假说，即“一个词的含义可以通过其上下文来定义”。也就是说，如果两个单词在相同的上下文中频繁出现，那么它们可能具有相似的意义。

### 二、常见的词向量模型

#### 1. Word2Vec
Word2Vec 是由 Google 提出的一种高效生成词向量的方法，主要包括两种架构：
- **CBOW（Continuous Bag of Words）**：根据上下文预测当前单词。例如，给定 "the cat sits on the"，模型需要预测 "mat"。
- **Skip-Gram**：根据当前单词预测上下文单词。例如，给定 "mat"，模型需要预测 "the cat sits on the" 中的其他单词。

**特点**：
- **效率高**：能够处理大规模语料库。
- **效果好**：生成的词向量捕捉了丰富的语义信息。
- **局限性**：固定窗口大小限制了上下文的范围，且不能很好地处理多义词问题。

#### 2. GloVe（Global Vectors for Word Representation）
GloVe 是一种基于全局统计信息生成词向量的方法。它通过对整个语料库中的共现矩阵进行分解来生成词向量。

**特点**：
- **全局信息**：考虑了整个语料库中的词共现信息，而不是局部上下文。
- **对称性**：GloVe 模型是对称的，即 `P(w_i|w_j) = P(w_j|w_i)`。
- **性能优秀**：在许多任务上表现优异，尤其是在捕捉词语间的关系方面。

#### 3. FastText
FastText 是 Facebook 提出的一种改进版本的 Word2Vec，主要特点是将每个单词表示为其子词（n-gram）的组合。例如，“apple”可以表示为 `<a> <ap> <app> <appl> <apple> <pple> <ple> <le> <e>`。

**特点**：
- **处理未登录词**：由于使用子词表示，FastText 能够更好地处理不在训练集中的单词（OOV, Out-of-Vocabulary）。
- **形态学信息**：通过子词表示，FastText 能够捕捉单词的形态学信息，从而提高对多义词和形态变化的理解。

#### 4. ELMo（Embeddings from Language Models）
ELMo 是一种基于深度双向语言模型生成上下文相关的词向量的方法。它使用 LSTM 或 Transformer 架构来建模语言序列，并为每个单词生成动态的上下文相关向量。

**特点**：
- **上下文敏感**：同一个单词在不同的上下文中会有不同的向量表示。
- **深层表示**：ELMo 使用多层双向 LSTM 来捕捉不同层次的语言特征。
- **预训练与微调**：可以在下游任务中微调预训练的 ELMo 模型。

#### 5. BERT（Bidirectional Encoder Representations from Transformers）
BERT 是 Google 提出的一种基于 Transformer 的双向预训练模型。它通过 Masked Language Modeling 和 Next Sentence Prediction 两个任务来进行预训练。

**特点**：
- **双向编码**：BERT 同时考虑了左右两侧的上下文信息，从而生成更丰富的上下文相关向量。
- **强大的预训练能力**：BERT 在多种 NLP 任务上表现出色，成为近年来最流行的预训练模型之一。
- **微调简单**：只需在特定任务上进行少量数据的微调即可达到很好的效果。

### 三、各模型的区别

| 模型 | 基本原理 | 上下文依赖 | 处理未登录词 | 预训练方式 |
| --- | --- | --- | --- | --- |
| Word2Vec (CBOW/Skip-Gram) | 局部上下文预测 | 固定窗口大小 | 不支持 | 无监督学习 |
| GloVe | 全局共现矩阵分解 | 全局信息 | 不支持 | 无监督学习 |
| FastText | 子词表示 | 固定窗口大小 | 支持 | 无监督学习 |
| ELMo | 双向LSTM语言模型 | 动态上下文相关 | 支持 | 无监督预训练 + 微调 |
| BERT | Transformer双向编码 | 动态上下文相关 | 支持 | 无监督预训练 + 微调 |

### 四、总结

词向量的发展经历了从简单的分布式表示（如 Word2Vec 和 GloVe）到复杂的上下文感知表示（如 ELMo 和 BERT）的过程。随着深度学习技术的进步，词向量不仅能够捕捉静态的语义信息，还能生成动态的上下文相关表示，极大地提高了自然语言处理任务的性能。

选择合适的词向量模型取决于具体的应用场景和需求。对于简单的文本分类或情感分析任务，Word2Vec 或 GloVe 可能已经足够；而对于更复杂的任务，如机器翻译或问答系统，上下文敏感的模型（如 ELMo 和 BERT）则更为适用。