深度学习：词嵌入（Word Embedding）以及Keras实现

原文链接：https://blog.csdn.net/LiQingBB/article/details/84931397
1.文本数据需要预处理成张量的形式，才能输入到神经网络。
2.文本划分成单元的过程叫做分词过程（tokenization），分成的单元叫做标记（token）。
3.文本可以划分为，单词、字符（abcdefg…）、n-gram等等。
4.一般用one-hot编码或者word-embedding将单词处理为数值张量。
5.one-hot编码简单，但是没有结构，任何两个单词之间的距离为$$\sqrt{2}$$
6.word-embedding空间维度较小，空间中具有结构，相似的单词距离近，不相关的单词距离远。
7.embedding层的作用实际上可以看作是一个矩阵，将高维空间中的点映射到低维空间中。

文本 → 分词 →向量化
词向量化的方法主要有两种：
1.one-hot编码
2.word embedding

https://blog.csdn.net/LiQingBB/article/details/84931397

另外一种很清晰易懂的理解
https://www.cnblogs.com/USTC-ZCC/p/11068791.html

实际代码中的体现
https://www.jianshu.com/p/a3f3033a7379