自然语言处理（NLP）// 向量

上一篇介绍了一个描述词语是否可能具有讽刺意味的一种方法。现在，让我们将其推而广之！

先看看下图，小说《傲慢与偏见》中的角色，考虑性别和贵族的维度。我们可以在x轴（横轴）上绘制前者，在y轴（纵轴）上绘制后者，向量的长度表示每个角色的财富：

通过一张图片，你就可以获得大量关于每个角色的信息。其中三个是男性。Darcy先生非常富有，但他的贵族属性不太清楚（他被称为“先生”​，不像不那么富有但显然更高贵的WilliamLucas爵士）​。Bennet先生显然不是贵族，并且在经济上很困难。他的女儿Elizabeth Bennet与他相似。Catherine夫人高贵而且很富裕。Darcy先生和Elizabeth之间的浪漫引起了紧张—来自高贵对不太高贵的偏见。

正如本例所示，通过考虑多个维度，我们可以看到真实单词的 意义（这里是角色名字）​。同样，我们不是在谈论具体的定义，更多的是基于轴的相对含义和一个词与其他词的向量之间的关系。这就引出了“嵌入”，“嵌入”只是一个在训练神经网络时学习的单词的向量表示。我们接下来会探讨它。