Embeding层与Word2Vec的区别？

在做nlp过程中，需要对单词或者句子用词向量进行表征。因此产生了像embedding、word2vec等词向量方法。

embedding层：embedding的本质是一个矩阵，单词的独热编码与该矩阵相乘，得到词向量模型，作为后续网络层对输入。它更像是一个基于神经网络层的encoding-decoding过程。它是一个网络层，跟随整个模型一起训练。从embedding的作用上理解，它是将原始词向量映射到一个低维空间中，这样在做相关处理过程中，可以去除文本的“一些噪声”，即减少了文本的数据量，从而计算的复杂度，用提高计算效率。下图为embedding层将原词向量映射到一个新的多维空间的表示过程。

详细请参考：https://www.cnblogs.com/pyclq/p/12405631.html

Word2Vec:它是google推出的一种算法，其本质是优化过的embedding，进行词向量的训练，而不像embedding那样是一层网络。Word2Vec有CBOW 和 Skip-gram两种方式。CBOW是通过周围单词预测中心单词，而Skip-gram是通过中心词预测周围词。

 详细请参考：https://blog.csdn.net/vincent_duan/article/details/117967110