为什么用了word2vec之后，还要用一个tf-idf，然后才是lda建模？

Word2vec是一种用于生成单词嵌入向量的算法，它将每个单词映射到一个连续的向量空间中。这种向量表示方法可以捕捉单词之间的语义和上下文信息。但是，word2vec不考虑单词出现的文档频率和逆文档频率（IDF），因此在一些特定的应用场景下，例如文本分类和信息检索等任务中，需要加入TF-IDF权重，以强调关键词的重要性。

在LDA建模中，我们希望找到一组主题，每个主题都是由一些单词组成的。为了找到这些主题，我们需要首先对文本进行向量化表示，一种常用的方法是使用词袋模型。词袋模型会统计每个单词在文本中出现的频率，但是不考虑单词的语义信息。在这种情况下，我们可以使用TF-IDF权重来对每个单词进行加权，以便更好地捕捉单词的重要性。

因此，使用Word2vec、TF-IDF和LDA的组合，可以在文本分析和建模中发挥不同的作用，提高模型的效果和准确性。