Linear Embedding

线性嵌入（Linear Embedding），在机器学习和自然语言处理中，也被称为词嵌入（Word Embeddings）或词向量（Word Vectors），是一种将文本中的词语转换为连续实数向量的技术。它的核心思想是将每个单词映射到一个多维空间中的固定维度向量，这些向量保留了词语之间的语义和语法关系。

在传统的词袋模型中，每个单词被视为独立的离散符号，而线性嵌入则将它们转换为稠密向量，这些向量可以通过计算相似度来衡量两个词的关联程度。常见的线性嵌入算法有 Word2Vec（包括skip-gram和CBOW模型）、GloVe（全局词向量）以及FastText等。

例如，在Word2Vec中，一个词的向量表示不仅能捕捉到该词本身的含义，还能反映其上下文中的语义特征。这使得计算机能够执行诸如近义词检测、情感分析等复杂的自然语言处理任务。