AI 如何“读懂”文字？词嵌入向量的底层逻辑、实现与可视化

一. 引言

大型语言模型（Large Language Models，简称LLM）如GPT-4、Claude和LLaMA等近年来取得了突破性进展，能够生成流畅自然的文本、回答复杂问题、甚至编写代码。但这些模型究竟是如何理解人类语言的？它们如何表示和处理单词？本文将深入探讨大模型的基础机制——词嵌入向量，揭示AI是如何"理解"文字的。

二. 从符号到向量：语言表示的基础

2.1 词向量的概念

在传统自然语言处理中，单词通常被表示为独热编码（One-Hot Encoding）——一个只有一个元素为1，其余都为0的稀疏向量。例如，在一个有10000个单词的词汇表中，"苹果"这个词可能被表示为一个长度为10000的向量，其中只有第345位是1，其余都是0。

该方法虽然简单，并且适用于任意文本数据，但存在很多严重问题：

1. 维度爆炸。由于每一个单词的词向量的维度都等于词汇表的长度，对于大规模语料训练的情况，词汇表将异常庞大，使模型的计算量剧增造成维数灾难。
2. 矩阵稀疏。有用的信息零散地分布在大量数据中。这会导致结果异常稀疏，使其难以进行优化，对于神经网络来说尤其如此。
3. 向量正交。由于两两向量正交，无法表达两词向量之间的其他信息，造成了“语义鸿沟”的 现象，此特点对于NLP任务是相当致命的。

2.2 词嵌入向量的基本原理

词嵌入向量（Word Embedding）解决了上述问题，它是"通过将离散空间向连续空间映射后得到的词向量"。每个单词被映射到一个低维度（通常为几百维）的稠密向量空间中，这些向量捕捉了单词的语义和句法特性。

词嵌入向量的核心优势在于：语义上相似的词在向量空间中的距离也相近。这种特性使得模型能够理解词与词之间的关系，从而更好地处理自然语言。

三. 词嵌入向量的实现方式

3.1 Word2Vec：CBOW与Skip-gram

Word2Vec是一种基于浅层神经网络的算法，输入是文本语料库，输出是一组词向量。一个著名的例子是：

vector(‘国王’) - vector(‘男人’) + vector(‘女人’) ≈ vector(‘女王’)。

这表明模型能捕捉到类比关系：“国王之于男人，如同女王之于女人”。

1. CBOW (Continuous Bag of Words)：使用上下文预测目标词。给定一个词的上下文（周围的词），预测这个词是什么。
2. Skip-gram：与CBOW相反，使用目标词预测上下文。给定一个词，预测它周围可能出现的词。

3.1.1 CBOW：上下文当 “线索”，猜中间的 “目标词”

CBOW 的 “Continuous Bag of Words” 里，“Bag（袋子）” 是关键：把上下文的词装进 “袋子” 里，不考虑词的顺序（比如 “今天 很” 和 “很 今天” 对 CBOW 来说完全一样），只看 “有哪些词”，再用这些词的集合预测中间词。简化步骤如下：

步骤一：给上下文词 “编码”

计算机不认识文字，先把每个上下文词转换成 “独一无二的身份证”——one-hot 向量（比如 “今天”= [0,1,0,0,…]，“很”= [0,0,1,0,…]，向量长度 = 词汇表总词数）。

步骤二：把上下文词的 “身份证” 变成 “浓缩版特征”

将所有上下文词的 one-hot 向量，输入到一个简单的神经网络隐藏层，做 “平均池化”（通俗说：把多个向量合并成一个，保留共同特征），得到 “上下文整体特征向量”（这一步就是在学习 “上下文组合起来代表什么”）。

步骤三：根据特征向量 “猜目标词”

把 “上下文整体特征向量” 输入输出层，输出层会计算 “词汇表中每个词是目标词的概率”，概率最高的词就是模型的预测结果。

举个例子：

• 输入上下文（窗口大小 = 3）：[我, 喜欢] + [自然语言处理]（中间空出目标词位置）

• 模型要做的：根据 “我” 和 “喜欢”“自然语言处理” 这三个上下文词，猜中间的词是什么？

• 可能的预测结果：也（完整句子：我 也 喜欢 自然语言处理）、很（我 很 喜欢 自然语言处理）

• 训练过程：如果实际目标词是 “也”，模型会调整参数，让下次再遇到这组上下文时，“也” 的概率更高。

3.1.2 Skip-gram：目标词当 “主角”，猜周围的 “配角”（上下文）

和 CBOW 完全相反：Skip-gram 是 “给定一个目标词，预测它周围可能出现的多个上下文词”。它不纠结 “上下文的顺序”，只关注 “目标词和哪些词经常一起出现”。简化步骤如下：

步骤一：给目标词 “编码”

把目标词转换成 one-hot 向量（比如目标词 “咖啡”= [0,0,0,1,…]）。

步骤二：把目标词的 “身份证” 变成 “浓缩版特征”

将目标词的 one-hot 向量输入隐藏层，直接转换成 “目标词的特征向量”（这就是我们最终想要的 “词向量” 的雏形）。

步骤三：根据目标词特征，猜多个上下文词

把 “目标词特征向量” 输入输出层，输出层会同时计算 “词汇表中每个词是该目标词上下文的概率”，选出概率最高的 k 个词（k = 窗口大小 - 1），作为预测的上下文。

举个例子：

• 输入目标词：咖啡

• 模型要做的：猜 “咖啡” 周围最可能出现哪些词？

• 可能的预测结果：喝（喝 咖啡）、热（热 咖啡）、早晨（早晨 喝 咖啡）、提神（咖啡 提神）

• 训练过程：如果实际上下文是 “早晨”“喝”“热”，模型会调整参数，让下次再输入 “咖啡” 时，这三个词的概率更高。

3.1.3 CBOW vs Skip-gram 区别

对比维度	CBOW（连续词袋）	Skip-gram（跳字模型）
核心逻辑	上下文 → 目标词（多输入→单输出）	目标词 → 上下文（单输入→多输出）
对词序的态度	不敏感（只看词的集合）	不敏感（只看词的关联）
训练效率	快（一次预测 1 个目标词）	慢（一次预测多个上下文词）
适合场景	高频词、常用词（比如 “的”“是”）	低频词、生僻词（比如 “国王”“女王”）
语义捕捉能力	一般（侧重常见搭配）	更强（侧重语义关联，比如 “国王 - 男人 = 女王 - 女人”）

3.2 GloVe：全局统计信息的利用

GloVe (Global Vectors for Word Representation) 是由斯坦福大学开发的另一种流行的词嵌入模型。与Word2Vec不同，GloVe结合了全局矩阵分解和局部上下文窗口方法的优点。

GloVe基于共现矩阵——记录每个单词与其上下文词的共现频率，然后通过矩阵分解技术学习词向量。这使得GloVe能够更好地捕捉全局统计信息，在某些任务上表现优于Word2Vec。

3.3 FastText：子词单元的创新

FastText是Facebook AI Research开发的一种改进型词嵌入模型。它的主要创新在于将单词分解为子词（subword）单元，通常是字符n-gram。

例如，单词"apple"的3-gram表示为：<ap, app, ppl, ple, le>

FastText的优势：

• 能够处理词汇表外的词（OOV问题）
• 对拼写错误有一定的容忍度
• 特别适合处理形态丰富的语言（如芬兰语、土耳其语等）

四. 现代大模型中的词嵌入

4.1 上下文相关的词嵌入

在传统词嵌入模型（如Word2Vec）中，每个词只有一个固定的向量表示，无法区分多义词的不同含义。例如，"苹果"在"我喜欢吃苹果"和"苹果公司发布新产品"中含义不同。

现代大模型采用了上下文相关的词嵌入技术，根据词出现的上下文生成不同的表示：

• “我喜欢吃苹果” → vector(“苹果”) 表示水果意义
• “苹果公司发布新产品” → vector(“苹果”) 表示公司意义

这种动态表示极大地提高了模型理解语言的能力。

4.2 Transformer架构中的嵌入

在Transformer架构（现代大模型的基础）中，词嵌入通常包含三个部分：

1. 词嵌入 (Token Embeddings)：单词本身的向量表示
2. 位置嵌入 (Positional Embeddings)：表示单词在序列中的位置
3. 段嵌入 (Segment Embeddings)：用于区分不同段落或句子（主要用于BERT等模型）

这三种嵌入向量相加后，形成了输入Transformer各层的初始表示。位置嵌入特别重要，因为它使模型能够了解单词的顺序，这对于理解语言至关重要。

五. 词嵌入可视化

5.1 词向量空间可视化

我们可以使用阿里百炼平台的embedding模型，输入一些单词，看看它们在二维空间里的分布：

第一步：引入依赖

streamlit>=1.28.0
pandas>=1.5.0
scikit-learn>=1.3.0
matplotlib>=3.7.0
python-dotenv>=1.0.0
requests>=2.31.0
numpy>=1.24.0

执行下列命令安装依赖：

pip install -r requirements.txt

第二步：编写代码

这段代码调用阿里百炼平台的 text-embedding 模型获取用户输入单词的词向量，通过 PCA 降维后使用 Matplotlib 绘制二维散点图，并借助 Streamlit 构建交互式界面展示词嵌入的空间分布及语义相似度分析。

import streamlit as st
import pandas as pd
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm
import matplotlib
import os
from dotenv import load_dotenv
import requests
import json

# 加载环境变量
load_dotenv()

# 设置中文字体（Windows系统）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 'SimHei' 是黑体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

# 阿里百炼平台API配置
DASHSCOPE_API_KEY = os.getenv('DASHSCOPE_API_KEY')

def get_word_embeddings(words, model="text-embedding-v4"):
    """
    使用阿里百炼平台的embedding模型获取词向量
    
    Args:
        words: 单词列表
        model: embedding模型名称，默认使用text-embedding-v4
        
    Returns:
        词向量列表
    """
    if not DASHSCOPE_API_KEY:
        st.error("请设置DASHSCOPE_API_KEY环境变量")
        return []
    
    url = "https://dashscope.aliyuncs.com/api/v1/services/embeddings/text-embedding/text-embedding"
    
    headers = {
        'Authorization': f'Bearer {DASHSCOPE_API_KEY}',
        'Content-Type': 'application/json'
    }
    
    embeddings = []
    
    for word in words:
        data = {
            "model": model,
            "input": {
                "texts": [word]
            },
            "parameters": {
                "text_type": "document"
            }
        }
        
        try:
            response = requests.post(url, headers=headers, json=data)
            if response.status_code == 200:
                result = response.json()
                if "output" in result and "embeddings" in result["output"]:
                    embedding = result["output"]["embeddings"][0]["embedding"]
                    embeddings.append(embedding)
                else:
                    st.error(f"API返回格式错误: {result}")
                    return []
            else:
                st.error(f"API请求失败，状态码: {response.status_code}, 错误信息: {response.text}")
                return []
        except Exception as e:
            st.error(f"获取词向量时出错: {str(e)}")
            return []
    
    return embeddings

def main():
    # 主界面
    st.title("🧠 阿里百炼词嵌入向量空间可视化")
    
    st.write("使用阿里百炼平台的embedding模型，输入一些单词，看看它们在二维空间里的分布！")
    
    # 模型选择
    model_options = ["text-embedding-v4", "text-embedding-v3", "text-embedding-v2"]
    selected_model = st.selectbox("选择Embedding模型:", model_options)
    
    # 文本输入
    user_input = st.text_area(
        "请输入单词（每行一个单词）：",
        "国王\n皇后\n男人\n女人\n猫\n狗\n苹果\n橙子\n香蕉\n汽车\n自行车\n飞机"
    )
    
    if user_input:
        words = [w.strip() for w in user_input.split("\n") if w.strip()]
        if len(words) < 2:
            st.warning("请输入至少两个单词！")
        else:
            with st.spinner("正在使用阿里百炼平台生成词嵌入向量..."):
                embeddings = get_word_embeddings(words, model=selected_model)
            
            if embeddings:
                st.success("嵌入向量生成成功！")
                st.write(f"每个单词的向量维度：**{len(embeddings[0])}**")
                
                # 用 PCA 降到 2D
                pca = PCA(n_components=2)
                reduced = pca.fit_transform(embeddings)
                
                # 转成 DataFrame
                df = pd.DataFrame(reduced, columns=["x", "y"])
                df["word"] = words
                
                # 画出散点图
                fig, ax = plt.subplots(figsize=(12, 8))
                scatter = ax.scatter(df["x"], df["y"], color="blue", alpha=0.7)
                
                # 在点旁边标注单词
                for i, word in enumerate(df["word"]):
                    ax.text(df["x"][i]+0.01, df["y"][i]+0.01, word, fontsize=12)
                
                ax.set_title(f"词嵌入二维空间可视化 (模型: {selected_model})")
                ax.set_xlabel("主成分1 (PCA1)")
                ax.set_ylabel("主成分2 (PCA2)")
                ax.grid(True, alpha=0.3)
                
                st.pyplot(fig)
                
                # 显示数据表格
                st.subheader("坐标数据表")
                st.dataframe(df)
                
                # 图的解释
                st.subheader("图表解释 🧠")
                st.markdown(
                    f"""
                    - 每个点代表一个单词在嵌入空间中的位置。
                    - **相近的单词**，在二维平面上会靠得更近，表示语义相似。
                    - 方向和距离代表潜在的语义关系，比如"国王-男人+女人≈皇后"。
                    - 注意：因为是降维展示，实际高维特征被简化了，但依然可以直观感知单词间的语义结构。
                    - 本示例使用阿里百炼平台的 **{selected_model}** 模型生成词向量。
                    """
                )
                
                # 添加相似度分析
                st.subheader("语义相似度分析")
                selected_words = st.multiselect("选择两个单词计算相似度:", words)
                
                if len(selected_words) == 2:
                    idx1, idx2 = words.index(selected_words[0]), words.index(selected_words[1])
                    vec1, vec2 = embeddings[idx1], embeddings[idx2]
                    
                    # 计算余弦相似度
                    import numpy as np
                    dot_product = np.dot(vec1, vec2)
                    norm1 = np.linalg.norm(vec1)
                    norm2 = np.linalg.norm(vec2)
                    similarity = dot_product / (norm1 * norm2)
                    
                    st.write(f"'{selected_words[0]}' 和 '{selected_words[1]}' 的余弦相似度: **{similarity:.4f}**")
                    
                    # 可视化相似度
                    fig2, ax2 = plt.subplots(figsize=(8, 2))
                    ax2.barh([0], [similarity], color='skyblue')
                    ax2.set_xlim(0, 1)
                    ax2.set_yticks([])
                    ax2.set_xlabel('余弦相似度')
                    ax2.set_title(f'"{selected_words[0]}" vs "{selected_words[1]}"')
                    
                    # 添加相似度数值
                    ax2.text(similarity + 0.01, 0, f'{similarity:.4f}', va='center')
                    
                    st.pyplot(fig2)

if __name__ == "__main__":
    main()

第三步：创建 .env 文件

创建 .env 文件，填写阿里云百炼平台API Key：大模型服务平台百炼控制台

DASHSCOPE_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxx2d

第三步：运行代码

streamlit run word_embedding_visualization.py

运行成功后会自动打开页面，可以看到有语义联系的词汇聚集在一起：

5.2 语义相似度计算

词嵌入向量能够计算单词之间的语义相似度。余弦相似度是常用的计算方法：

import numpy as np

def cosine_similarity(vec1, vec2):
    """计算两个向量的余弦相似度"""
    dot_product = np.dot(vec1, vec2)
    norm1 = np.linalg.norm(vec1)
    norm2 = np.linalg.norm(vec2)
    return dot_product / (norm1 * norm2)

“男人”和“女人”相比于“男人”和“航母”相似度就会更高：

六. 词嵌入的优劣势

6.1 词嵌入的优势

1. 低维度稠密表示
   • 相比独热编码（如10000维稀疏向量），词嵌入通常用几十到几百维的稠密向量表示单词，显著减少存储和计算资源需求。
   • 稠密向量能更高效地捕捉语义关系（如相似词距离更近，类比关系可通过向量运算实现）。
2. 语义与句法建模能力
   • 通过训练数据中的上下文关联，词嵌入能学习到单词的语义（如"国王-男人+女人≈女王"）和句法特征（如动词时态、词性变化）。
   • 改进语言模型的上下文理解能力，提升预测准确率（如预测下一个词时结合语义关联）。
3. 预训练模型广泛可用
   • 预训练词嵌入（如Word2Vec、GloVe、FastText）可直接用于下游任务（如分类、翻译），无需从零训练，节省时间和算力。
   • 支持快速部署，降低开发门槛。
4. 处理词汇表外词（OOV）
   • FastText等模型通过子词单元（字符n-gram）分解单词，即使遇到未见过的词（如新造词、拼写错误），也能生成合理向量。
5. 减少特征工程需求
   • 词嵌入自动从数据中学习特征，避免人工设计特征的复杂性。模型可直接将向量输入神经网络作为输入特征。
6. 跨语言与形态学适应性
   • 对形态丰富的语言（如土耳其语、芬兰语）效果更好，子词模型能分解复杂词结构。

6.2 词嵌入的劣势

1. 计算与存储成本高
   • 训练高质量词嵌入需大量语料和计算资源（尤其是大规模模型或复杂架构）。
   • 预训练模型的嵌入矩阵体积庞大（如百万级词汇的500维向量需存储5亿个数值）。
2. 词汇覆盖有限
   • 传统词嵌入（如Word2Vec、GloVe）仅能表示训练时出现的词，对**OOV（Out-of-Vocabulary）**词无能为力（FastText等改进模型可缓解此问题）。
   • 对领域特定术语（如医学、编程词汇）适应性差，需额外训练或调整。
3. 偏见与伦理风险
   • 训练数据中的社会偏见（如性别、种族刻板印象）可能被编码到嵌入向量中。例如，“护士→女性”、"工程师→男性"等关联可能被强化。
4. 黑盒特性与可解释性差
   • 词嵌入的向量空间是高度纠缠的，单个维度通常没有明确语义，难以直观解释模型决策逻辑。
5. 依赖训练数据质量
   • 如果训练数据不充分或有噪声（如拼写错误、歧义文本），嵌入结果可能不准确或不稳定。
6. 无法处理同形词与多义词
   • 传统词嵌入为每个词分配单一固定向量，无法区分多义词的不同含义（如"苹果"指水果或公司）。
   • 上下文无关的模型（如Word2Vec）无法解决此问题，需依赖上下文相关的嵌入（如BERT）。
7. 忽略语言细微差别
   • 词嵌入难以捕捉反讽、隐喻等复杂语言现象。例如，“这部电影太棒了！”（实际是讽刺）可能被误判为正面情感。
8. 静态表示的局限性
   • 传统词嵌入（如Word2Vec、GloVe）提供静态向量，无法动态适应上下文变化。现代模型（如Transformer）已通过上下文相关嵌入解决此问题。

七. 结语

词嵌入向量技术是大模型理解人类语言的基础。从最初的Word2Vec到现代Transformer架构中的上下文相关表示，词嵌入技术不断发展，使AI能够更精确地理解和生成自然语言。

通过深入理解词嵌入向量的原理，我们不仅能更好地应用大模型，也能洞察人工智能是如何"思考"的。正如文章中所展示的，词嵌入不仅是技术工具，更是理解AI如何"理解"语言的窗口。

关键认识：词嵌入向量并不直接表示语义，而是词与词之间语义的相似度。因此，不必去纠结每个向量值到底代表什么意思。词嵌入空间通常是高度纠缠的，单个维度很少有明确的语义解释。

在AI快速发展的今天，词嵌入技术将继续进化，为更智能、更理解人类语言的AI系统奠定基础。

参考文章：

第3讲、大模型如何理解和表示单词：词嵌入向量原理详解 - 何双新 - 博客园

从0开始词嵌入（Word embedding） - 知乎

什么是词嵌入？| 词嵌入完整指南 | Elastic

深入浅出Word2Vec原理解析 - 知乎