1 什么是 Embedding？

如果要用一句话来解释：Embedding 就是把原本“看不懂”的符号，翻译成机器能理解的数字向量。

想象一下：

人类能理解“苹果”和“香蕉”相似，和“桌子”差得远，但在计算机眼里，词汇最初只是符号（例如 ID 编号），没有任何语义。于是我们需要一种方法，把这些符号变成“有意义的数字坐标”，这套坐标体系就是 Embedding 空间，如图1所示。

2 Embedding 的作用

1. 压缩表示

• 例如用 one-hot 表示一个词，假如有 10 万个词，每个词都是一个长度 100,000 的向量，大部分位置都是 0，非常低效。
• Embedding 可以把它压缩成 100~1,000 维的实数向量，既节省存储，又利于计算。
• 捕捉语义
• 相似的对象会被映射到相近的向量。
• “苹果”和“香蕉”在空间里距离很近，而“苹果”和“电脑”距离更远。
• 通用特征
• Embedding 可以作为“底层语言”，被下游任务复用。
• 比如词向量可以用于机器翻译、情感分析、问答系统。

3 Embedding 用在哪些地方？

3.1 传统深度学习时代

• NLP（自然语言处理）
• 最经典的就是 Word2Vec、GloVe 等词嵌入方法。
• 让“king - man + woman ≈ queen” 这样的语义关系能在向量空间中呈现出来。

图 2. 词向量
• 推荐系统
• 用户 ID、商品 ID 没有数值意义，通过 Embedding 可以学到“用户偏好”和“商品特征”，再计算匹配度。
• 计算机视觉
• 图像经过 CNN 提取后，也会变成一个向量（即图像的 embedding），用来做分类或检索。

3.2 大模型（LLM、扩散模型等）时代

• 语言模型
• GPT、BERT 等模型在最开始都会把单词/子词转换成向量（token embedding）。
• 训练完成后，我们还可以直接取 embedding 用于 语义搜索（找相似文本）。
• 多模态模型
• CLIP 模型会同时把图像和文本转成 embedding，放在同一个空间里。这样“猫的照片”和“a cat”文本在 embedding 空间中会很接近。

图 3. 多模态 Embedding
• 生成式模型
• 在扩散模型或音乐生成模型中，embedding 也用于把输入条件（比如提示词）翻译成模型能理解的向量。

4 总结

Embedding 可以理解为一种“翻译器”，它把原本没有数值意义的离散符号（如词语、用户ID、商品、图片等）转化为低维、稠密的向量表示。这样做的好处是既能压缩数据、提升计算效率，又能在向量空间中保留语义或特征上的相似性，使得相似的对象更接近，不相似的对象更远。

在传统深度学习中，Embedding 常见于词向量和推荐系统；在大模型时代，它是语言模型、图文匹配、多模态对齐等任务的基础。可以说，Embedding 是机器理解世界的一种“坐标系”。