自然语言处理问题中，一般以词作为基本单元，例如我们想要分析 "我来自北语" 这句话的情感，一般的做法是先将这句话进行分词，变成我，来自，北语，由于计算机无法处理词，神经网络也无法对词进行处理，所以我们需要将这些词通过某些办法映射成词向量。词向量是用来表示词的向量，也可被认为是词的特征向量。把词映射为实数域向量的技术也叫词嵌入（word embedding）
one-hot
最开始的词嵌入技术是采用one-hot编码，One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。
直观理解one-hot编码，比如你现在要处理一篇文本输入给计算机，one-hot的做法是：
1. 首先统计整个文本的词汇的个数N，将所有的词汇排列成表vocab，vocab：我，早上，你好，开学。。。
2.根据词汇表分配编码，每个词对应一个词向量，实际就是一个一维数组，“我”在词汇表vocab的第一个，那么对应的词向量（一维数组）的第一个位置就是1，其余位置置零：[1,0,0 ... 0,0 ]；“早上”在词汇表vocab的第二个，那么对应的词向量的第二个位置就是1，其余位置置零： [ 0,1,0 ... 0,0 ]；第三个词就是第三个位置为1，其他位置置零；所有的词都按照这样的规则转换成对应的一维数组，也就是词向量了；
那么整个文本就表示成了词向量，比如这个文本就是一句话：今日计划，啥也不干
分词之后得到的词汇表vocab：["今日"，"计划"，"啥"，"也"，"不干"，"，" ]；这个文本的词汇个数就是N=6，
根据one-hot编码依次转换为词向量：
今日：[1,0,0,0,0,0]
计划：[0,1,0,0,0,0]
啥：[0,0,1,0,0,0]
也：[0,0,0,1,0,0]
不干：[0,0,0,0,1,0]
，：[0,0,0,0,0,1]
为什么不用one-hot编码：
很明显的一个缺点就是，维度爆炸，比如现在有一个文本有100万个词，那么每个词按照ont-hot编码就对应一个100万维度的一维数组，这个内存占用是非常高的，
另外一个缺点就是，one-hot编码无法体现出词与词之间的语义联系，任何两个词的余弦相似度都是0：
word2vec
关于word2vec的原理和使用python的实战推荐一篇博文，博主有个公众号：数据挖掘机养成记
[NLP] 秒懂词向量Word2vec的本质 - 知乎
one-hot编码要求每个类别之间相互独立，如果之间存在某种连续型的关系，文本的词汇之间就是存在关联的存在，所以 distributed respresentation（分布式表示）更加合适，实际就是将高维稀疏的向量降维成稠密的低维向量，一种高维到低维的映射方式。
Wordvec的维基百科解释：
wordvec为一群用来产生词向量的相关模型。这些模型为浅层双层的神经网络，用来训练以重新建构语言学之词文本。网络以词表现，并且需猜测相邻位置的输入词，在word2vec中词袋模型假设下，词的顺序是不重要的。训练完成之后，word2vec模型可用来映射每个词到一个向量，可用来表示词对词之间的关系。该向量为神经网络之隐藏层；
2013 年，Google 团队发表了 word2vec 工具。word2vec 工具主要包含两个模型：跳字模型（skip-gram）和连续词袋模型（continuous bag of words，简称 CBOW），以及两种高效训练的方法：负采样（negative sampling）和层序 softmax（hierarchical softmax）。值得一提的是，word2vec 词向量可以较好地表达不同词之间的相似度和类比关系。
Mikolov的原论文：
《Distributed Representations of Sentences and Documents》
《Efficient estimation of word representations in vector space》
关于CBOW和skip-gram模型：
1.用一个词语作为输入，来预测它周围的上下文，那这个模型叫做 Skip-gram 模型
2. 而如果是拿一个词语的上下文作为输入，来预测这个词语本身，则是 CBOW 模型
用两张图来表示CBOW和skip-gram的原理：
为什么说word2vec训练的词向量可以表示出词语之间的相似度呢？
这个是基于word2vec算法的假设：在文本中，具有相似上下文的词具有相似的语义
example：
这个其实很好理解的，举个例子，现在有两句文本，分别是：
他们 说 那个 女孩 非常 可爱
这句话如果输入是“女孩”，那么上下文就是“他们” “说” “那个” ”非常“ “可爱” 等这些词
另一句文本是：
他们 说 那个 姑娘 非常 可爱
这个地方很明显，输入是“姑娘”的话，这个输入的上下文词跟刚刚的“女孩”这个词是一样的，所以算法的结果就是“女孩”=“姑娘”一样可爱
word2vec的计算过程就是遍历所有的训练数据，最后就可以得到具有相似的上下文的词具有相似的语义，这些词对应的词向量计算余弦相似度也可以得到较高的值。
关于word2vec中的计算原理，有一篇word2vec的数学原理已经讲解的非常详细了，感兴趣的童鞋可以去看看：
word2vec 中的数学原理详解 - peghoty - 博客园
word2vec的本质：
词向量的本质可以看出是一个只有一层的神经网络，因此必须有输入、输出，训练的目的不是为了得到预测的结果，而是对单词进行分类。最关键的就是获得hidden layer的中的权重。也就是借助sequnece2sequence模型训练过程，得到hidden layer的权重。
训练中的数学原理：
以 基于负采样（negative sampling）的CBOW为例，模型会遍历依次遍历全部的文本，这里有一个概念就是窗口，window size，窗口大小自己定义，一般取5-8左右，代表训练时指定的中心词周围的上下文词的个数，模型的第一层输入是，将所有上下文词都随机初始化成词向量，将这些词向量相加的均值作为CBOW的输入，用这些上下文去预测中心词w；
在CBOW模型中，已知词 的上下文 ，需要预测 ，因此，对于给定的 ，词 就是一个正样本，其他词就是负样本了，负样本那么多，全部加入训练那计算量会非常大，于是进行采样处理，选取一部分负样本进行训练；
假定现在已经选好了一个关于 的负样本子集,且对于，定义：
表示词 的标签，即正样本的标签为1，负样本的标签为0.
对于给定的一个正样本 ,我们希望最大化：
其中：
或者写成整体表达式：
这里仍然表示 中各词的词向量之和，而表示词 对应的一个(辅助)向量，为待训练的参数。
为什么要最大化 呢？将 1.4 带入 1.2 之后，得到新的 的表达式是：
其中表示当上下文为 时，预测中心词为 的概率，而,则表示当上下文是 时，预测中心词为 的概率，于是可以转换为一个二分类问题，从形式上看，最大化，相当于最大化，同时最小化，，于是达到了目的：增大正样本的概率，同时降低负样本的概率；于是对于给定的语料库 ，函数：
就作为整体的优化目标，即目标函数；然后按照梯度上升法进行求导数梯度误差值优化等等。
下面给出以样本为例，给出基于Negative Sampling 的 CBOW模型中采用梯度上升法更新各参数的伪代码：
word2vec得到的词向量就是其中全部的误差 项的累积和，其中的训练参数是辅助向量，经过梯度上升法更新了误差项之后，遍历所有的上下文向量，将得到的误差累积和加到每个向量中，于是完成一次向量的更新，窗口依次往后移，训练新的目标词和上下文词向量；
全部遍历完语料之后，所有词的向量都是参与了训练且更新 之后的，这些词向量就具备了最开始假设的语义信息，用于下游的一些任务，比如词相似度，词语消歧等任务。
skip-gram的训练过程跟CBOW是大同小异的，只是反过来使用中心词去预测每一个上下文词，具体的训练过程可以参考上文提到的word2vec中的数学原理一文，推导得非常详细。
使用word2vec:
python 中的 gensim 库封装了调用word2vec的接口，只需要几行代码就可以使用word2vec训练好词向量，并且计算词相似度等任务，下面是一些使用的主要代码供参考：
缺点不足：
尽管word2vec训练出的词向量可以表征一定的语义信息，但是训练得到的词向量是静态的，也就是说，一个词只对应一个词向量，那么对于多义词就无法根据上下文去进行处理，举一个大家都用的例子：
He has a large deposit in the bank.
The town stands on the left bank of the river.
这里的“bank" 是完全不同的两个意思，但是使用word2vec训练得到的词表只有一个词向量，那么这个词向量在用于下游任务的时候，更代表哪一种语义呢？这个问题使用静态词向量无法得到解决。
并且在计算词语相似度的时候会发现实验结果存在非常大的噪声，因为基于的假设是上下文相似的词具有相似的语义，所以位置相隔很近的也会具有相似的语义信息，那么在中文里面，一句话的主谓宾，相隔的很近的主语和宾语，是完全不一样的词性，有时候也会得到很高的余弦相似度，比如代词和名词，名词和动词，例如：动词 “打击” 的相似词会出现例如 “悍匪”，“犯罪” 等名词，这显然是不对的，但是因为很多时候：“打击 悍匪”，“打击 犯罪” 经常相隔很近的一起出现在语料里面，所以这一点也是word2vec词向量本身效果不好的一个原因，因为其基本假设存在一些瑕疵。
glove:
官网：GloVe: Global Vectors for Word Representation
官方的代码的GitHub在此 ： https://github.com/stanfordnlp/GloVe
上面有训练好的模型可以下载
Glove (Global vectors for word representation)，2014年由Stanford NLP Group组织提出，它是一个基于全局词频统计（count-based & overall statistics）的词表征（word representation）工具。
跟word2vec的几点不同：
1. 在表现上 glove 和 word2vec 其实相差不大，Word2vec是局部语料库训练的，其特征提取是基于滑动窗口的；而glove的滑动窗口窗是为了构建co-occurance matrix 共现矩阵，统计了全部语料库里在固定窗口内的词共线的频次，是基于全局语料的，可见glove需要事先统计共现概率；因此，word2vec可以进行在线学习，glove则需要统计固定语料信息。
2. Glove利用了全局信息，使其在训练时收敛更快，训练周期较word2vec较短且效果更好。
golve 原理：
golve 本质上是对共现矩阵进行降维度，下面对glove的基本原理进行一个记录：
1. 首先构建一个词汇的共现矩阵，同样也是构建一个滑动窗口，依次遍历整个语料库，统计在每个窗口下，词汇与词汇之间共同出现的频率，由此构建出词汇共现矩阵，其元素是，代表：在整个语料库中，单词和单词共同出现在语料库中的次数
搬个例子：
i love you but you love him i am sad
这个小小的语料库只有1个句子，涉及到7个单词：i、love、you、but、him、am、sad。
如果我们采用一个窗口宽度为5（左右长度都为2）的统计窗口，那么就有以下窗口内容：
中心词为love，语境词为but、you、him、i；则执行：
；；；
使用这样的窗口统计所有的语料，就得到了共现矩阵
2. 模型思想来源：首先定义：，表示矩阵单词那一行的和
条件概率： 表示单词出现在单词语境中的概率
这里的 语境有多种定义。举个例子，在一段文本序列中，如果词 出现在词 左边或者右边不超过 10 个词的距离，我们可以认为词 出现在词 的环境一次。
然后得到两个条件概率的比率：
3. 然后作者发现，这个存在下表所示的规律：
作者的思想：假设我们已经得到了词向量，如果我们用词向量通过某种函数计算，能够同样得到这样的规律的话，就意味着我们词向量与共现矩阵具有很好的一致性，也就说明我们的词向量中蕴含了共现矩阵中所蕴含的信息。
依据这个思想作者去构建损失函数进行训练
假设用词向量 计算 的函数为：，那么有：
模型的构建细节这篇博客讲的很清楚，感兴趣的童鞋可以去看看：
理解GloVe模型（Global vectors for word representation）_饺子醋的博客-CSDN博客_glove
进步与不足：
1. glove相对于word2vec的局部滑动窗口上下文，采取的是统计整个语料的词汇的共现频率，但是实际上这个全局信息也是根据一个个局部窗口统计得到的，相当于是多个窗口进行训练更新词向量，论文中的结果比word2vec的词向量效果好一些，但是没有根本解决静态词向量这个致命伤，依旧不能称得上非常大的突破。
fasttext:
fastText是一个快速文本分类算法，与基于神经网络的分类算法相比有三大优点：
1、fastText在保持高精度的情况下加快了训练速度和测试速度
2、fastText不需要预训练好的词向量，fastText会自己训练词向量
3、fastText两个重要的优化：Hierarchical Softmax、N-gram
fastText原理：
word2vec把语料库中的每个单词当成原子，它会为每个单词生成一个向量，这忽略了单词内部的形态特征，如“apple”与“apples”，两个单词都有较多的公共字符，即它们的内部形态类似，但是在传统的word2vec中，这种单词内部形态信息因为它们被转换成不同的id丢失了。
为了克服这个问题，fastText使用了字符级别的n-grams来表示一个单词，对于“apple”，假设n的取值为3，则它的trigram有：
"
其中<表示前缀，>表示后缀，我们可以使用这5个trigram的向量叠加来表示“apple”的词向量。
fastText在使用负采样的 skip-gram 模型的基础上，将每个中心词视为子词（subword )的集合，并学习子词的词向量。
给定一个词，通常可以把字符长度在3到6之间的所有子词和特殊子词的并集取出来。假设任意子词的子词向量为,我们可以使用负采样的skip-gram 模型的损失函数：
直接替换成：
可以看到，于是原中心词向量被替换成中心词的子词向量之和，这对于低频词效果会比较好，因为低频词的 n-gram 可以跟其他词共享；跟 word2vec 和 glove 不同的是，词典外的新词，即未登录词可以使用 fastText 中相应的字词向量之和表示。
fastText 对于一些语言比较重要，例如阿拉伯语和德语。例如 德语中有许多复合词，例如乒乓球（英文 table tennis）在德语中叫 "tischtennis"。fasttext可以通过字词表达两个词的相关性，例如 "tischtennis" 和 "tennis"。
模型结构：
fastText模型架构和word2vec中的CBOW很相似， 不同之处是fastText预测标签而CBOW预测的是中间词，即模型架构类似但是模型的任务不同。
其中表示一个文本中的n-gram向量，每个特征是词向量的平均值。cbow用上下文去预测中心词，而此处用全部的n-gram去预测指定类别。输入是embedding 过的词向量，输出是类别lable，fastText是根据文本分类任务来进行训练并且得到词向量这个产物，隐藏层是对多个词向量的叠加平均。
1）CBOW的输入是目标单词的上下文，fastText的输入是多个单词及其n-gram特征，这些单词用来表示单个文档
2）CBOW的输入单词被one-hot编码过，fastText的输入特征时被embedding过
3）CBOW的输出是目标词汇，fastText的输出是文档对应的类标
将整篇文档的词及n-gram向量叠加平均得到文档向量，然后使用文档向量做softmax多分类
结论：
glove使用词向量表达共现词频的对数。
fastText用子词向量之和表达整词。
实战代码参考：
fastText 在https://github.com/facebookresearch/fastText/tree/master/python上提供了绑定了fastText库的Python接口及使用示例代码。
参考：
FastText的简单介绍_摆渡者-CSDN博客_fasttext