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。

静态词向量:让词"有了灵魂"

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:

  • "国王"和"王后"的向量差 ≈ "男人"和"女人"
  • "巴黎" - "法国" + "日本" ≈ "东京"

后来的 GloVe 、FastText 也属于这类"静态词向量"。

它们的特点是:

  • 语义更丰富,能捕捉词间关系
  • 但每个词只有一个固定向量,无论上下文是什么

所以在它眼里,"苹果"在"吃苹果"和"苹果电脑"中,是同一个向量。

动态词向量:让词"看懂上下文"

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。

4 总结

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:

  • 第一代:机器会数数
  • 第二代:机器能联想
  • 第三代:机器能理解

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。

学习资源推荐

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。

相关推荐
Baihai_IDP5 小时前
大模型 API 真的在赔本赚吆喝吗?聊聊 Token 背后的真实成本
人工智能·llm·aigc
谙弆悕博士5 小时前
多智能体架构详解:黑板共享架构(共享存储交互型)
人工智能·架构·大模型·agent·多智能体·黑板架构·anggraph
后端小肥肠5 小时前
公众号里流量很夯的漫画赛道:趣味漫画创作全拆解
人工智能·aigc·agent
lbk_runtime6 小时前
跨阶段分离:技评、编码、自测为什么分会场
agent
xyphf_和派孔明7 小时前
第六章: AI Agent长期记忆的存储引擎介绍
langchain·llm·agent
xyphf_和派孔明7 小时前
第四章: AI Agent短期记忆的信息管理机制设计
langchain·llm·agent
赵大仁7 小时前
Agent 工具调用可靠性:超时、重试、幂等与人工确认怎么设计
python·agent·幂等·工具调用·人工确认
阿里云云原生7 小时前
Velox 的 2026 年终总结:面向 Agent 的执行层演进!
agent
双鱼大猫7 小时前
opencode 吃掉 100G 空间:Agent 会话数据要分级清理
人工智能·agent·ai编程
学无止境小袁同学7 小时前
OpenAI Agents SDK 模板操作手册(可直接操作)
大模型·openai·agent·sdk·大模型应用