特征表达——统计、hash、embedding

在机器学习领域的特征，一般是一个id，而且给这个id赋一个值。

1、这个特征值的表达一般可以通过统计的tf 或其他类似的数字表示。

2、比较难于理解的是hash在特征表达里也能起到比较重要的作用。  通过对特征运用hash函数，获得对应的值。裁剪、分桶获取对应的位表示。可以用作特征，起到降维的作用。

3、还有现在比较流行的是用embedding的方式，将特征映射到一定维度的实数空间里，相比hash不一样的是，这种做法一般是神经网络的迭代方式，而不是hash的非迭代云素昂方式，hash依赖的的hash核函数要设计的比较好（这个门槛比较高）。 embedding发热，主要源于word2vec的盛行， 在知识图谱领域演化了很多类似的TransE、TransR等方法。