1.3 词向量与深度学习基础

文档摘要

1.3 词向量与深度学习基础 1.3 词向量与深度学习基础在智能客服和内容分析等NLP应用中，计算机理解和处理人类语言是核心挑战。传统方法往往难以捕捉语言的深层语义和复杂模式。词向量（Word Embeddings）和深度学习（Deep Learning）的兴起，为这一挑战提供了强大的解决方案，它们是现代NLP的基石。 1.3.1 词向量 (Word Vectors/Embeddings) 人类语言是离散的符号序列，而机器学习模型通常需要连续的数值输入。词向量的目标就是将离散的词语映射到低维、连续的实数向量空间中，使得语义相似的词语在向量空间中距离相近。 1.3.1.1 传统表示方法的局限性在词向量出现之前，最常见的词语表示方法是“独热编码”（One-hot Encoding）。