文本向量化word2vec

文本向量化，尤其是Word2Vec（词嵌入）技术，是一种将自然语言文本中的单词转换为数值表示的方法。Word2Vec是由Google在2013年提出的，主要包括两种模型：Continuous Bag of Words (CBOW) 和 Skip-Gram。这两种模型的主要目标是捕捉到词语之间的语义和上下文关系。

1. CBOW (Continuous Bag of Words)：这种模型根据上下文中单词预测中心词。给定一个词语序列，它会尝试预测上下文中的每个词，从而学习词与词之间的联系。

2. Skip-Gram：相反，Skip-Gram模型关注的是中心词如何影响其周围的上下文。它试图预测给定一个词，周围会出现哪些词，这样强化了词与词之间的关联。

Word2Vec生成的向量通常具有维度较高，比如200-300维，这样的向量不仅能保持词义的连续性，还可以执行类似相似度计算、聚类和分类等任务，因为它能够捕获词语间的语义关系。