one-hot 编码、multi-hot 编码 和 Embedding

1. One-hot 编码

1.1 定义与数学表示

One-hot 编码 是一种将离散的类别型数据（categorical data）转化为二进制向量的方法。假设有 $N$ 个类别，每个类别被分配一个唯一的索引 $i$（从 0 到 $N-1$）。该类别的 one-hot 表示是一个长度为 $N$ 的向量，其中：

• 第 $i$ 个位置为 1。
• 其他位置为 0。

数学表示：
对于类别 $c_i$（索引为 $i$），其 one-hot 向量为：
$${\mathbf{v}}_i=[0,0,\dots ,1,\dots ,0]$$
其中 $v_i[j]=1$ 当 $j=i$，否则 $v_i[j]=0$。

例子：
假设有 5 种动物（猫、狗、鸟、鱼、蛇），它们的 one-hot 编码为：

• 猫: [1, 0, 0, 0, 0]
• 狗: [0, 1, 0, 0, 0]
• 鸟: [0, 0, 1, 0, 0]
• 鱼: [0, 0, 0, 1, 0]
• 蛇: [0, 0, 0, 0, 1]

1.2 特点与性质

• 稀疏性：向量中只有 1 个元素为 1，其余为 0，导致存储效率低。
• 正交性：任意两个 one-hot 向量的点积为 0，余弦相似度为 0：
  $${\mathbf{v}}_i\cdot {\mathbf{v}}_j=0,\text{if }i\ne j$$
  这意味着类别之间被假设为完全无关，没有语义相似性。
• 高维性：向量维度等于类别总数 $N$。当 $N$ 很大（例如 NLP 中词汇表有 10 万个单词），向量维度极高。
• 无序性：One-hot 编码不假设类别之间有任何顺序关系，适合无序的分类变量。

1.3 实现代码

以下是用 Python࿰