在 NLP领域，word embedding 已经成为了众所周知的技术。
在现实生活中 word embedding 已经拥有非常广泛的应用：语音助手、机器翻译、情感分析… 因为 word embedding 的特殊性，它几乎覆盖了所有 NLP 的应用。
本文将会从传统的 one-hot 编码开始，阐述其优劣，并延伸至 word embedding 技术和其优点
一、为什么要让单词变成向量 - 让计算机知道爱（NLP中读懂数据）
人类可以很轻易地理解一个单词、词组或者字母，比如「LOVE」，但机器是理解不了的。想要让机器理解单词，就必须要把它变成一串数字（向量）。下面介绍的 One-Hot Encoding（One-Hot 编码）和 Word Embedding （词嵌入）和就是把单词变成向量的两类方法。
二、One-Hot Encoding - 不负责任的老师（词汇表->稀疏向量）
以前人们采用的方法是 one-hot encoding。
我们以英文为例，首先你要维护一个很长很长很长的词汇表，词汇表可以是前人总结出来的常用词，也可以是你文本数据里的所有单词的集合，词汇表大概长成这样：
可以把词汇表理解成一个(V, 1)维的向量，其中V为词汇个数，在上面这个词汇表里，第一个词是 a，第 v 个词是 zulu，假设 love 是其中的第 520 个词，那么 love 这个单词就可以表示成如下向量：
即在这个(V, 1)维的向量中，第 520 元素为 1（表示出现了单词 love），其余元素为 0。同理，词汇表中的任何一个单词都可以以这种形式表达，这个方法叫做 one-hot encoding。
三、word embedding - 让计算机学会爱（词间的关系）
one-hot encoding 可以让计算机知道有这么个单词，但这个单词表示什么意思？和其他单词有什么关联？计算机是理解不了的。比如「love」和「romantic」，人类可以很轻易的理解这两个单词，但是 one-hot encoding 的结果只能告诉计算机：「love」和「romantic」仅仅是非常高维的空间里两个毫无关系的向量（内积为 0）。
one-hot encoding 不是一个好老师，它只让计算机死记硬背单词，却不能让计算机理解单词背后的文化和内涵。此时就需要 word embedding 这个优秀的老师登场了。word embedding 将 one-hot encoding 的向量映射到一个新的空间，在这个空间里，「love」和「romantic」、「apple」和「orange」等不再是毫无关系的高维向量，表示近似含义的单词可能会更加接近彼此，向量间的相似度也更有意义。比如说，经过了 word embedding 后，每个单词都会映射到一个 300 维的空间，那么单词可能会被表示成如下形式：
第一个维度表示性别，King 接近 -1（男性），Queen 接近 +1（女性），而 Apple 和 Orange 与性别没什么关系，所以接近 0；
第二个维度表示尊贵程度，第三个维度表示年龄，可以以此类推。显而易见，经过 word embedding 后，「King」和「Queen」更接近了，「Apple」和「Orange」更接近了，同时「King」或「Queen」离「Apple」或「Orange」更远了。现在计算机已经懂了，
后来学者们又发现，其实通过向量的基础运算，我们也可以对 word embedding 的结果更懂一些，
比如说，在上面的例子中，代表 King 的向量减去代表 Queen 的向量，其结果和代表 Man 的向量减去代表 Woman 的向量近似相等：
再比如假如以 B 站的网页信息和弹幕等作为语料库训练模型，二次元的女神也可以被作为词向量进行计算： 这是一个很惊奇的发现：原来单词的基础运算也有一些奇妙的意义。现在我们不仅懂了，还很扎心了。最后还需要澄清一点，
在本文举的例子里，word embedding 的结果，每个维度都有很容易解释的意义，比如性别等，
实际上算法计算出的词向量其 维度代表的意义往往难以解释，也不具备现实意义。这也是深度学习一直很魔幻的地方：算法研究者自己计算出的结果自己都很难解读。
四、总结
最后我们来做一个总结，自然语言的向量化表示方法主要有两类：one-hot encoding 和 word embedding。它们的优缺点如下：
https://www.zhihu.com/org/ling-kou-leetcode