14、自然语言处理word2vec

如果你已经会用 Python 处理表格和文本，但一提到「把词变成向量」就只知道调包、说不清里面发生了什么，这门 word2vec 课值得花时间看一遍。它不讲深度学习框架的大而全，只盯住一件事：词向量是怎么被训练出来的，以及训练完之后能拿它做什么。

它解决的是哪个工作场景

实际工作里遇到的情况通常是这样：手上有一批用户评论、工单记录或者商品标题，想做相似词推荐、关键词聚类、文本分类的特征输入，但直接上 one-hot 维度爆炸且没有语义。word2vec 就是处理这类问题的常规手段——把词压成几十到几百维的稠密向量，语义相近的词在空间里也靠近。这门课围绕这个目标展开，从词向量的基本直觉讲到模型训练，再落到用 Gensim 实际构造词向量模型。学它不是为了一纸证书，而是为了下次面对一堆中文文本时，知道该从哪一步下手，而不是只会复制一段看不懂的代码。

适合什么基础，先看哪几块

前置要求不高，但也不是零基础能直接吃透。你需要能读写 Python、装得了库、看得懂循环和函数；对神经网络有一点模糊印象更好，没有也能跟上，因为课程是从直觉切入的。数学部分会涉及一点概率和向量运算，能接受「先会用、再回头补推导」的节奏就行。建议的观看顺序是：先看原理讲解那几节，把 CBOW 和 Skip-gram 的区别、窗口、负采样这几个概念过一遍，不求完全推导，只求知道每个参数在调什么；然后直接进 Gensim 构造词向量的部分，边看边在自己电脑上跑一遍；最后再看实战案例，重点看别人怎么准备语料、怎么评估训练出来的向量好不好。原理和实战不要分开看，隔太久容易断线。

学完能独立做什么，资料怎么配合练

跟完之后，你应该能独立完成一条最小可用链路：收集并清洗一批中文文本语料，用 Gensim 训练出自己的词向量，然后用相似度查询验证效果，比如输入一个词看返回的邻居词是否合理，再把向量作为特征喂给下游的分类或聚类任务。这个能力在搜索、推荐、内容审核等方向都用得上。练习上不要只跑课程自带的例子，那批语料太干净。自己去找一份真实的中文评论或新闻标题，走一遍分词、去停用词、训练、评估的流程，重点观察语料规模和质量对结果的影响——这一步比多看两节视频有用。遇到向量效果差，先怀疑语料，再怀疑参数，最后才怀疑模型本身。

需要提醒的是，word2vec 是静态词向量，同一个词只有一个表示，处理一词多义会吃力。如果你的任务对上下文敏感，学完这门课可以作为过渡，后面再去看基于上下文的模型会更顺。就本课而言，它的定位清楚：把词向量这件事讲明白、让你能动手，不夸大也不兜售。基础够、需求对得上，就值得看；如果连 Python 文本处理都还没碰过，建议先补上再回来。