本文系统介绍了NLP中的文本表示技术，包括分词方法（词级、字符级、子词级）和词表示技术（One-hot编码、Word2Vec、上下文相关词表示）。详细阐述了英文和中文分词策略，以及如何使用Word2Vec生成语义化词向量，并提供了代码实现示例。这些技术是大模型理解和处理自然语言的基础，对于构建高效的NLP系统至关重要。
2.1概述
文本表示是将自然语言转化为计算机能够理解的数值形式，是绝大多数自然语言处理（NLP）任务的基础步骤。早期的文本表示方法（如词袋模型）通常将整段文本编码为一个向量。这类方法实现简单、计算高效，但存在明显的局限性——表达语序和上下文语义的能力较弱。因此，现代 NLP 技术逐渐引入更加精细和表达力更强的文本表示方法，以更有效地建模语言的结构和含义。文本表示的第一步通常是分词和词表构建，如下图所示：
1分词（Tokenization）是将原始文本切分为若干具有独立语义的最小单元（即token）的过程，是所有 NLP 任务的起点。2词表（Vocabulary）是由语料库构建出的、包含模型可识别 token 的集合。词表中每个token都分配有唯一的 ID，并支持 token 与 ID 之间的双向映射。在后续训练或预测过程中，模型会首先对输入文本进行分词，再通过词表将每个 token 映射为其对应的 ID。接着，这些 ID 会被输入嵌入层（Embedding Layer），转换为低维稠密的向量表示（即词向量），如下图所示。
此外，在文本生成任务中，模型的输出层会针对词表中的每个 token 生成一个概率分布，表示其作为下一个词的可能性。系统通常选取具有最大概率的ID，并通过词表查找对应的 token，从而逐步生成最终的输出文本。
2.2分词
不同语言由于语言结构、词边界的差异，其分词策略和算法也不尽相同，本节将分别介绍英文与中文中常见的分词方式。
2.2.1英文分词
按照分词粒度的大小，可分为词级（Word-Level）分词、字符级（CharacterLevel）分词和子词级（Subword‑Level）分词。下面逐一介绍
2.2.1.1词级分词
词级分词是指将文本按词语进行切分，是最传统、最直观的分词方式。在英文中，空格和标点往往是天然的分隔符。
词级分词虽便于理解和实现，但在实际应用中容易出现 OOV（OutOfVocabulary，未登录词）问题。所谓 OOV，是指在模型使用阶段，输入文本中出现了不在预先构建词表中的词语，常见的包括网络热词、专有名词、复合词及拼写变体等。由于模型无法识别这些词，通常会将其统一替换为特殊标记（如 ），从而导致语义信息的丢失，影响模型的理解与预测能力。
2.2.1.2字符级分词
字符级分词（Character-level Tokenization）是以单个字符为最小单位进行分词的方法，文本中的每一个字母、数字、标点甚至空格，都会被视作一个独立的 token。
在这种分词方式下，词表仅由所有可能出现的字符组成，因此词表规模非常小，覆盖率极高，几乎不存在 OOV（Out-of-Vocabulary）问题。无论输入中出现什么样的新词或拼写变体，只要字符在词表中，都能被表示出来。然而，由于单个字符本身语义信息极弱，模型必须依赖更长的上下文来推断词义和结构，这显著增加了建模难度和训练成本。此外，输入序列也会变得更长，影响模型效率。
2.2.1.3子词级分词
子词级分词是一种介于词级分词与字符级分词之间的分词方法，它将词语切分为更小的单元——子词（subword），例如词根、前缀、后缀或常见词片段。与词级分词相比，子词分词可以显著缓解OOV问题；与字符级分词相比，它能更好地保留一定的语义结构。子词分词的基本思想是：即使一个完整的词没有出现在词表中，只要它可以被拆分为词表中存在的子词单元，就可以被模型识别和表示，从而避免整体被替换为。
常见的子词分词算法包括 BPE（Byte Pair Encoding）、WordPiece 和 Unigram Language Model。其中，BPE 是最早被广泛应用的方法，其需要先从语料中学习一个子词词表，基本原理是：首先将所有词语拆分为单个字符，然后迭代地统计语料中出现频率最高的字符对，将其合并为一个新的子词，并加入词表。该过程持续进行，直到达到设定的词表大小。然后再根据词表对新输入的文本进行分词，其基本原理是：从输入文本的第一个字符开始，优先选择词表中能够匹配的最长子词单元，然后继续处理剩余部分，直到完成整个序列的切分。 子词级分词已经成为现代英文 NLP 模型中的主流方法，如 BERT、GPT等模型均采用了基于子词的分词机制。
2.2.2中文分词
尽管中文的语言结构与英文存在显著差异，我们仍可以借助“分词粒度”的视角，对中文的分词方式进行归类和分析。
2.2.2.1字符级分词
字符级分词是中文处理中最简单的一种方式，即将文本按照单个汉字进行切分，文本中的每一个汉字都被视为一个独立的 token。
由于汉字本身通常具有独立语义，因此字符级分词在中文中具备天然的可行性。相比英文中的字符分词，中文的字符分词更加“语义友好”。
2.2.2.2词级分词
词级分词是将中文文本按照完整词语进行切分的传统方法，切分结果更贴近人类阅读习惯。
由于中文没有空格等天然词边界，词级分词通常依赖词典、规则或模型来识别词语边界。
2.2.2.3子词级分词
虽然中文没有英文中的子词结构（如前缀、后缀、词根等），但子词分词算法（如 BPE）仍可直接应用于中文。它们以汉字为基本单位，通过学习语料中高频的字组合（如“自然”、“语言”、“处理”），自动构建子词词表。这种方式无需人工词典，具有较强的适应能力。在当前主流的中文大模型（如通义千问、DeepSeek）中，子词分词已成为广泛采用的文本切分策略。
2.2.3分词工具
2.2.3.1概述
目前市面上可用于中文分词的工具种类繁多，按照实现方式大致可以分为如下两类：1一类是基于词典或模型的传统方法，主要以“词”为单位进行切分；2另一类是基于子词建模算法（如BPE）的方式，从数据中自动学习高频字组合，构建子词词表。前者的代表工具包括 jieba、HanLP等，这些工具广泛应用于传统 NLP 任务中。 后者的代表工具包括 Hugging Face Tokenizer、SentencePiece、tiktoken等，常用于大规模预训练语言模型中。
2.2.3.2jieba分词器
1）概述jieba 是中文分词领域中应用广泛的开源工具之一，具有接口简洁、模式灵活、词典可扩展等特点，在各类传统 NLP 任务中依然具备良好的实用价值。2）安装
pipinstalljieba3）分词模式jieba分词器提供了多种分词模式，以适应不同的应用场景。（1）精确模式（默认）试图将句子最精确地切开，适合文本分析。分词效果如下：
小明毕业于北京大学计算机系 ⬇️ [小明|毕业|于|北京大学|计算机系]精确模式分词可使用jieba.cut或者jieba.lcut方法，前者返回一个生成器对象，后者返回一个list。具体代码如下：
import jieba text="小明毕业于北京大学计算机系" words_generator=jieba.cut(text) # 返回一个生成器 for word in words_generator: print(word) words_list=jieba.lcut(text) # 返回一个列表 print(words_list)（2）全模式把句子中所有的可以成词的词语都扫描出来，分词效果如下：
小明毕业于北京大学计算机系 ⬇️ [小|明|毕业|于|北京|北京大学|大学|计算|计算机|计算机系|算机|系]全模式分词可使用jieba.cut或者jieba.lcut，并将cut_all参数设置为True，具体代码如下：
import jieba text="小明毕业于北京大学计算机系" words_generator=jieba.cut(text, cut_all=True) # 返回一个生成器 for word in words_generator: print(word) words_list=jieba.lcut(text, cut_all=True) # 返回一个列表 print(words_list)（3）搜索引擎模式在精确模式基础上，对长词进一步切分，适合用于搜索引擎分词，分词效果如下：
小明毕业于北京大学计算机系 ⬇️ [小明|毕业|于|北京|大学|北京大学|计算|算机|计算机|计算机系]可使用jieba.cut_for_search或者jieba.lcut_for_search，具体代码如下：
import jieba text="小明毕业于北京大学计算机系" words_generator=jieba.cut_for_search(text) # 返回一个生成器 for word in words_generator: print(word) words_list=jieba.lcut_for_search(text) # 返回一个列表 print(words_list)（4）自定义词典jieba支持用户自定义词典，以便包含 jieba 词库里没有的词，用于增强特定领域词汇的识别能力。自定义词典的格式为：一个词占一行，每一行分三部分：词语、词频（可省略，词频决定某个词在分词时的优先级。词频越高被优先切分出来的概率越大）、词性标签（可省略，不影响分词结果），用空格隔开，顺序不可颠倒。例如
云计算 云原生5 大模型10n可使用jieba.load_userdict(file_name)加载词典文件，也可以使用jieba.add_word(word, freq=None, tag=None)与jieba.del_word(word)动态修改词典。
import jieba jieba.load_userdict('dict.txt') words_list = jieba.lcut("随着云计算技术的普及，越来越多企业开始采用云原生架构来部署服务，并借助大模型能力提升智能化水平，实现业务流程的自动化与智能决策。") print(words_list)2.3词表示
2.3.1概述
在分词完成之后，文本被转换为一系列的 token（词、子词或字符）。然而，这些符号本身对计算机而言是不可计算的。因此，为了让模型能够理解和处理文本，必须将这些 token 转换为计算机可以识别和操作的数值形式，这一步就是所谓的词表示（word representation）。词表示的发展经历了从稀疏的one-hot编码，到稠密的语义化词向量，再到近年来的上下文相关的词表示。不同的词表示方法在表达能力、语义建模、上下文适应性等方面存在显著差异。
2.3.2One-hot编码
最早期的词向量表示方式是 One-hot 编码：它将词汇表中的每个词映射为一个稀疏向量，向量的长度等于整个词表的大小。该词在对应的位置为 1，其他位置为 0。
one-hot 虽然实现简单、直观易懂，但它无法体现词与词之间的语义关系，且随着词表规模的扩大，向量维度会迅速膨胀，导致计算效率低下。因此，在实际自然语言处理任务中，one-hot 表示已经很少被直接使用。
2.3.3语义化词向量
传统的one-hot表示虽然结构简单，但它无法反映词语之间的语义关系，也无法衡量词与词之间的相似度。为了解决这个问题，研究者提出了Word2Vec模型，它通过对大规模语料的学习，为每个词生成一个具有语义意义的稠密向量表示。这些向量能够在连续空间中表达词与词之间的关系，使得“意思相近”的词在空间中距离更近。
2.3.3.1Word2Vec概述
Word2Vec的设计理念源自“分布假设”——即一个词的含义由它周围的词决定。基于这一假设，Word2Vec构建了一个简洁的神经网络模型，通过学习词与上下文之间的关系，自动为每个词生成一个能够反映语义特征的向量表示。Word2Vec提供了两种典型的模型结构，用于实现对词向量的学习：1 CBOW（Continuous Bag-of-Words）模型输入是一个词的上下文（即前后若干个词），模型的目标是预测中间的目标词。
2 Skip-gram 模型输入是一个中心词，模型的目标是预测其上下文中的所有词（即前后若干个词）。
只要按照上述目标训练模型，就能得到语义化的词向量。
2.3.3.2Word2Vec原理
1）数据集Word2Vec 不依赖人工标注，而是直接利用大规模原始文本（如书籍、新闻、网页等）作为数据源，从中自动构造训练样本。由于两种模型的输入和输出都是词语，因此首先需要对原始文本进行分词，将连续文本转换为 token 序列。此外，模型无法直接处理文本符号，训练时仍需将词语转换为 one-hot 编码，以便作为模型的输入和输出进行计算。
2）Skip-Gram（1）训练数据集Skip-Gram的目标是根据中间词预测上下文，所以其训练样本为：
（2）模型结构Skip-Gram模型结构如下图所示：
Skip-Gram模型损失值的计算图如下图所示：
前向传播过程如下：1.输入中心词（地铁）“地铁”用 one-hot 向量表示2.查找词向量（Win）与参数矩阵Win相乘，取出“地铁”对应的词向量。（Win实际上就是词向量矩阵，每一行表示一个词的向量）3.预测上下文将中心词向量与参数矩阵 Wout相乘，得到对整个词表的预测得分。4.Softmax 输出得分通过 Softmax 转为概率分布，表示各词作为上下文的可能性。5.计算损失与真实上下文词“乘坐”、“上班”进行比对，计算交叉熵损失并求和，得到总损失。
之后在进行反向传播时，参数矩阵Win中的“地铁”对应的词向量就会被更新，模型通过这个过程不断的进行学习，最终便能得到具有语义的词向量。3）CBOW（1）训练样本CBOW的目标是根据上下文预测中间词，所以其训练样本为：（2）模型结构CBOW模型的结构如下图所示：
CBOW模型损失值的计算图如下图所示：
CBOW 模型的前向传播过程如下：1.输入上下文词（乘坐、上班）每个词用 one-hot 向量表示。2.查找词向量（Win）每个 one-hot 向量与参数矩阵 Win 相乘，查出对应的词向量。（Win 实际上就是词向量矩阵，每一行表示一个词的向量）3.平均上下文向量将多个上下文词向量取平均，得到一个整体的上下文表示。4.预测中心词将平均后的上下文向量与参数矩阵Wout相乘，得到对整个词表的预测得分。5.Softmax 输出将得分输入Softmax，得到每个词作为中心词的概率分布。6.计算损失将预测结果与真实中心词“地铁”的one-hot向量进行比对，计算交叉熵损失。
之后在进行反向传播时，参数矩阵Win中“乘坐”和“上班”对应的词向量就会被更新。模型通过不断训练，逐步优化这些向量，最终便能得到具有语义的词向量。
2.3.3.3获取Word2Vec词向量
词向量的获取通常有两种方式：一种是直接使用他人公开发布的词向量，另一种是在特定语料上自行训练。在实际工作中，无论是加载已有模型还是从零训练，都可借助Gensim来完成，它提供了便捷的接口来加载 Word2Vec 格式的词向量，也支持基于自有语料训练属于自己的词向量模型。可执行以下命令安装Gensim
pip install gensim1）使用公开词向量公开的中文词向量，可从https://github.com/Embedding/Chinese-Word-Vectors下载，其提供了基于多个数据集训练得到的词向量。词向量文件的格式为：第一行记录基本信息，包括两个整数，分别表示总词数和词向量维度。从第二行起，每一行表示一个词及其对应的词向量，格式为：词 + 向量的各个维度值。所有内容通过空格分隔，该格式已成为自然语言处理领域中广泛接受的约定俗成的通用格式。具体格式如下
<词汇总数> <向量维度> word1 val11 val12 ... val1N word2 val21 val22 ... val2N ...可使用KeyedVectors.load_word2vec_format() 加载上述词向量文件，具体代码如下。
from gensim.models import KeyedVectors model_path = 'sgns.weibo.word.bz2' model = KeyedVectors.load_word2vec_format(model_path)上述代码使用的sgns.weibo.word.bz2词向量文件包含195202个词，每个词向量300维。该文件可从该网址下载，也可直接从课程资料获取。词向量加载完后，便可使用如下API查询词向量1、查看词向量维度
print(model.vector_size)2、查看某个词的向量
print(model['地铁'])3、查看两个向量的相似度
similarity = model.similarity('地铁', '公交') print('地铁 vs 公交 相似度：', similarity)model.similarity计算的是两个词向量的余弦相似度，计算公式如下返回值介于[-1,1]。接近1表示高度相似，语义接近接近；接近0表示无明显相关；接近-1方向完全相反，极度不相似。找出与某个词最相似的词
similar_words = model.most_similar(positive=["上班"], topn=5) print(similar_words) result = model.most_similar(positive=["爸爸", "女性"], negative=["男性"], topn=3) print(result)2）自行训练词向量（1）准备语料Word2Vec的训练语料需要是已分词的文本序列，格式为：
sentences = [['我', '每天','乘坐', '地铁', '上班'], ['我','每天', '乘坐', '公交', '上班']]（2）训练模型gensim提供了十分方便的训练词向量的API——Word2Vec。
from gensim.models import Word2Vec model = Word2Vec( sentences, # 已分词的句子序列 vector_size=100, # 词向量维度 window=5, # 上下文窗口大小 min_count=2, # 最小词频（低于将被忽略） sg=1, # 1:Skip-Gram，0:CBOW workers=4 # 并行训练线程数 )（3）保存词向量
model.wv.save_word2vec_format('my_vectors.kv')（4）加载词向量
from gensim.models import KeyedVectors my_model = KeyedVectors.load_word2vec_format('my_vectors.kv')完整案例如下：数据集来源为ChineseNLPCorpus，格式CSV，具体结构如下
catlabelreview书籍1感谢于歌先生为大家带来这么精彩的一本好书！书籍0这本书纸质不怎样，内容也不怎样。水果1苹果酸甜可口，大小适中，好吃。水果0不是很大，比较甜，不会回购，感觉加运费后不划算。完成代码如下：
import jieba from gensim.models import Word2Vec, KeyedVectors import pandas as pd df = pd.read_csv('online_shopping_10_cats.csv', encoding='utf-8', usecols=['review']) sentences = [[token for token in jieba.lcut(review) if token.strip() != ''] for review in df["review"]] model = Word2Vec( sentences, # 已分词的句子序列 vector_size=100, # 词向量维度 window=5, # 上下文窗口大小 min_count=2, # 最小词频（低于将被忽略） sg=1, # 1 = Skip-Gram，0 = CBOW workers=4 # 并行训练线程数 ) model.wv.save_word2vec_format('my_vectors.kv') my_model = KeyedVectors.load_word2vec_format('my_vectors.kv') print(my_model)2.3.3.4应用Word2Vec词向量
训练好的词向量，通常用于初始化下游NLP任务的嵌入层。在现代深度学习的 NLP 模型中，大多数任务的输入第一层都是嵌入层。本质上，嵌入层就是一个查找表（lookup table）：输入是词在词汇表中的索引；输出是该词对应的向量表示。嵌入层的参数矩阵可以有两种典型的初始化方式：随机初始化模型训练开始时，嵌入向量是随机生成的，模型会通过反向传播逐步学习每个词的表示。使用预训练词向量初始化加载训练好的词向量（如 Word2Vec）到嵌入层中作为初始参数，这样可以为模型注入丰富的语言知识，尤其在低资源任务中优势明显。并且，加载预训练词向量后，可选择是否让嵌入层继续参与训练。下面以PyTorch为例，演示如何使用预训练词向量初始化Embedding层核心API为nn.Embedding.from_pretrained
embedding_layer = nn.Embedding.from_pretrained( embedding_matrix, # 词向量矩阵，形状为(num_embeddigns,embedding_dim) freeze=False # 是否冻结词向量 )以下是完整案例
import torch import torch.nn as nn from gensim.models import KeyedVectors # 1. 加载预训练的 Word2Vec 模型 word_vectors = KeyedVectors.load_word2vec_format("my_vectors.kv") # 2. 构建词表和词向量矩阵 word2index = word_vectors.key_to_index # 词到索引的映射 embedding_dim = word_vectors.vector_size # 词语向量维度 num_embeddings = len(word2index) # 词表大小 embedding_matrix = torch.zeros(num_embeddings, embedding_dim) # 构造词向量矩阵,形状为(词表大小,词向量维度大小) for word, idx in word2index.items(): embedding_matrix[idx] = torch.tensor(word_vectors[word]) # 3. 构建 PyTorch 的嵌入层 embedding_layer = nn.Embedding.from_pretrained( embedding_matrix, # 词向量矩阵，形状为(num_embeddigns,embedding_dim) freeze=False # 是否冻结词向量 ) # 4. 示例：将词索引转换为向量 input_words = ["我", "喜欢", "乘坐", "地铁"] # 分词后的句子 input_indices = [word2index[word] for word in input_words] # token转为索引 input_tensor = torch.tensor([input_indices]) # 构造嵌入层输入张量 # 5. 查询嵌入（即词向量查找） output = embedding_layer(input_tensor) # 通过嵌入层查找预训练词向量 print(output.shape) # 例如 torch.Size([1, 4, 100])2.3.4上下文相关词表示（暂时了解）
虽然像Word2Vec这样的模型已经能够为词语提供具有语义的向量表示，但是它只为每个词分配一个固定的向量表示，不论它在句中出现的语境如何。这种表示被称为静态词向量（static embeddings）。然而，语言的表达极其灵活，一个词在不同上下文中可能有完全不同的含义。例如：
这时，使用同一个静态词向量去表示“苹果”，显然无法区分这两种语义。这就推动了上下文相关的词表示的发展。上下文相关词表示（Contextual Word Representations），是指词语的向量表示会根据它所在的句子上下文动态变化，从而更好地捕捉其语义。一个具有代表性的模型是——ELMo。该模型全称为 Embeddings from Language Models，发表于2018年2月。其基于LSTM 语言模型，使用上下文动态生成每个词的表示，每个词的向量由其前文和后文共同决定，是第一个被广泛应用于下游任务的上下文词向量模型。
如何学习AI大模型？
如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！
这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！
第一阶段：从大模型系统设计入手，讲解大模型的主要方法；
第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
100套AI大模型商业化落地方案
大模型全套视频教程
200本大模型PDF书籍
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
LLM面试题合集
大模型产品经理资源合集
大模型项目实战合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
