自然语言处理，处理的是自然的需要，通过分词后得到我们想要的词，但是不可能直接把这种自然语言传递给计算机来理解。这时候就有一个概念叫词向量，用来表示词的特征向量或表征。
一，词向量的表示
词向量的表示主要有两种方式：独热编码（One-hot Representation）和分布式表示（Distributed Representation）
（1）独热编码
独热编码是一种比较常用的方式，其思路是每个词都表示成一个很长很长的向量，该向量的维度等于词表大小，其中只有一个维度的值为1（维度的位置等于词的id），其余维度都为0。
例如用[0 0 1 0 0 0 0 0......]表示‘常用’这个词，用[0 0 0 0 0 0 0 1......]表示‘方式’这个词
（2）分布式表示
使用特定维度的低维实数向量来表示单词的方法称分布式表示。
例如表示如下 [0.777 -0.04 -0.153 0.406 ...]
基于衡量向量距离的方法（如欧式距离、余弦距离等）可以用来度量单词间的相似度，将语义信息融合进了词向量中
那么语义上相近或相似的词，在向量空间上的距离会更接近，而语义相反的词距离会更远。
而在训练时，由于分布式表示是将原始数据投射到了一个较低维度的空间，所需的参数会更少，对于训练也是有好处的。
二，词嵌入
而描述词向量的分布式表示技术也有个专有名词叫词嵌入（word embedding)
有很多的Word Embedding 模型，比如Word2Vec、GloVe、FastText。
Word2Vec 这里主要讲一下Word2Vec Word2vec，是用来产生词向量的相关模型，为浅而双层的神经网络
Word2vec有两种主要的模型架构，CBOW（Continuous Bag of Words）又叫连续词袋和Skip-Gram两种模式：
- 连续词袋模型（CBOW）：CBOW模型试图从一个词的上下文窗口中预测目标词。例如，给定一个上下文窗口中的单词序列，CBOW模型的目标是预测这些单词的中心词。这样，模型学习到的向量表示能够捕捉到上下文中的语义信息。
- Skip-gram模型：与CBOW相反，Skip-gram模型从一个词中预测其周围的上下文。也就是说，给定一个中心词，Skip-gram模型的目标是预测其周围的上下文单词。通过这种方式，Skip-gram模型学习到的向量表示能够更好地反映单词的语义。
CBOW对小型数据库比较合适，而Skip-Gram在大型语料中表现更好
如果要使用该模型，可以借助python的第三方库gensim，里面有自带的Word2Vec函数，可以来训练自己语料库的词向量
示例代码如下：
from gensim.models import Word2Vec
# 定义训练语料库
sentences = [["this", "is", "a", "good", "book"],
["this", "is", "a", "pen"],
["that", "is", "a", "bad", "book"]]
# 训练 Word2Vec 模型
model = Word2Vec(sentences, vector_size=100, window=5, min_count=1, workers=4)
# 获取词向量表示
vector_good = model.wv['good']
print("Vector representation of 'good':", vector_good)
# 查找与给定单词最相似的单词
similar_words = model.wv.most_similar('good', topn=2)
print("Words most similar to 'good':", similar_words)
这段代码首先导入 Word2Vec 类，然后定义了一个简单的训练语料库 sentences，包含了几个简单的句子。然后，通过 Word2Vec 类构建了 Word2Vec 模型，并传入了训练语料库 sentences。在训练过程中，我们可以指定诸如向量维度 vector_size、上下文窗口大小 window、最小词频 min_count 等参数。最后，我们可以使用模型的 wv 属性来获取单词的向量表示，并使用 most_similar 方法来查找与给定单词最相似的单词
