embedding table

嵌入表（Embedding Table）是深度学习中用于处理离散符号（如词汇、类别、标签等）的一种常见技术，尤其在自然语言处理（NLP）和推荐系统等领域广泛应用。它将每个符号映射到一个连续的低维向量空间，使得计算机能够理解这些符号之间的语义关系。

1. **含义**：在神经网络模型中，嵌入表是一个权重矩阵，通常初始化为随机数或者预训练好的词向量，每个输入的索引对应一个固定大小的向量，这个向量代表了该符号的特征表示。

2. **优点**：嵌入表能够捕获词汇的分布式表示，相邻或频繁一起出现的词在向量空间中的距离也更近，有助于模型理解和处理上下文信息。

3. **应用**：在词嵌入（如Word2Vec、GloVe）中，嵌入表用于将单词转换为数值表示；在序列标注任务（如情感分析、命名实体识别）中，每个词的嵌入表示会被传递给后续层进行处理。