什么是Embedding？Embedding的三大分类从“词袋”到“上下文”

本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。

在自然语言处理（NLP）的世界里，有一个词几乎无处不在------Embedding（嵌入表示） 。

它是语言被机器理解的第一步，是模型通向"语义"的桥梁。

简单来说，Embedding就是把文字转成数字。但这个"转"的过程并不简单，它经历了三次重要的技术演化。

今天我们就来讲讲------Embedding的三大分类：

① 传统基于统计的词向量表示

② 基于浅层神经网络的静态词向量

③ 基于深度学习大模型的上下文动态词向量

传统统计类：从"数词频"开始

时间回到上个年代，机器还"懵懂无知"。

要让它理解文字，人类最先想到的办法是------统计。于是有了我们熟悉的三种方法：

One-hot Encoding：每个词一个独立编号，向量中只有一个位置是1，其余全是0。简单粗暴，但"我"和"你"之间没有任何语义关系，全靠瞎猜。
Bag of Words（词袋模型） ：不再关心词序，只统计一个句子里词出现的次数。缺点是"我爱你"和"你爱我"在它眼里没区别。
TF-IDF（词频-逆文档频率） ：稍微聪明点，会考虑"常见词"没什么信息量。但依旧停留在"统计层面"，完全不懂语义。

某个词在该样本中出现的次数总的样本数包含有该词的样本数

这一阶段的 Embedding，就像机器在背生词表。它能数清词出现几次，却听不懂词的意思。

2013年，Word2Vec 横空出世。这标志着Embedding正式进入神经网络时代。

Word2Vec的思想非常巧妙："你是什么样的词，取决于你周围出现的词。"这就是著名的分布式假设（Distributional Hypothesis）。

通过一个浅层神经网络（两层而已），模型学会把语义相近的词映射到相近的向量空间中。

比如：

后来的 GloVe 、FastText 也属于这类"静态词向量"。

它们的特点是：

所以在它眼里，"苹果"在"吃苹果"和"苹果电脑"中，是同一个向量。

到了ELMo、BERT、GPT等大模型时代，Embedding再一次质变。

这次的关键词是------ "上下文（Contextualized）" 。

模型不再给每个词固定一个向量，而是根据整个句子的语境，动态生成词的表示。

举个例子："我买了一个苹果 🍎" 和 "我在调试苹果电脑 💻"

在BERT中，"苹果"会有两种完全不同的Embedding。因为模型能"理解"上下文，知道你说的是水果还是品牌。

这背后的原理是多层Transformer，每一层都会更新词的表示，让Embedding越来越贴近语义。

最终，这类动态词向量成了大模型的"语言底座"，支撑起ChatGPT、Claude、Gemini等的强大语义理解能力。

类型	核心代表	是否理解语义	是否依赖上下文	特点
统计型	TF-IDF, BoW	❌	❌	简单但无语义
静态词向量	Word2Vec, GloVe	✅	❌	语义固定不变
动态词向量	BERT, GPT	✅	✅	语境敏感，理解力最强

可以把这三类Embedding想象成语言理解的三次进化：

Embedding虽然只是"语言输入层"，但它决定了机器能否"听懂人话"。从词频统计到语义建模，再到上下文理解，这条演化之路，正是NLP智能化的缩影。当机器能真正理解"词在语境中的含义"，它就离"懂人"更近了一步。

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。

本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。