Word2Vec通过上下文学习将词映射为低维稠密向量，使语义相似词向量相近、支持线性类比，并可直接用于机器学习；中文需高质量分词、统一格式，小数据宜用预训练向量，领域任务可增量训练。

Word2Vec 是将词语转化为稠密向量（即词向量）的经典方法，它让语义相近的词在向量空间中距离更近，从而支撑下游任务如文本分类、相似度计算、推荐等。核心不在于“训练模型”，而在于理解词向量如何承载语义，以及怎样用对工具、选对参数、避开常见坑。

词向量为什么有用？

传统 one-hot 表示下，“猫”和“狗”是完全正交的向量，无法体现它们都是宠物、都会叫、都长毛等共性。Word2Vec 通过大量文本上下文学习，把每个词映射到一个低维实数向量（如100维），使得：

• 语义相似的词（如“国王”与“女王”、“巴黎”与“法国”）向量夹角小、余弦相似度高
• 存在可迁移的线性关系，比如 vec(“女王”) ≈ vec(“国王”) − vec(“男人”) + vec(“女人”)
• 能直接用于机器学习模型输入（替代稀疏的词袋或TF-IDF）

用 Gensim 快速上手 Word2Vec

Gensim 是最常用、最稳定的 Python 实现。安装后只需几行代码即可训练：

from gensim.models import Word2Vec
from gensim.utils import simple_preprocess
假设 sentences 是分好词的列表，例如 [['我', '喜欢', '猫'], ['她', '养', '狗']]
sentences = [simple_preprocess(line) for line in open('corpus.txt', encoding='utf-8')]
model = Word2Vec(
sentences=sentences,
vector_size=100,     # 向量维度
window=5,            # 上下文窗口大小
min_count=1,         # 忽略出现少于该次数的词
workers=4,           # 并行线程数
sg=1                 # 1=Skip-gram, 0=CBOW（通常 Skip-gram 对低频词更鲁棒）
)

训练完成后可直接查词向量、找相似词：

• model.wv['猫'] → 获取“猫”的100维向量
• model.wv.most_similar('人工智能', topn=5) → 返回语义最接近的5个词
• model.wv.similarity('北京', '上海') → 计算两词余弦相似度

中文处理的关键细节

Word2Vec 本身不区分语言，但中文需额外注意分词质量——它直接影响语义建模效果：

• 别用空格切分中文，必须先分词（推荐 jieba 或 pkuseg）
• 停用词可保留（Word2Vec 能自动弱化高频无意义词），但明显噪声（如乱码、广告词）应清洗
• 专有名词（如“iPhone14”、“深度学习”）建议合并为单个token，否则会被拆散失义
• 繁体/简体、全角/半角、英文大小写需统一，否则“Python”和“python”会被视为两个词

不是所有场景都该从头训练

小数据+短周期项目，直接加载预训练中文词向量往往更稳更快：

• Chinese-Word-Vectors 提供多种语料（百度百科、维基、微博）训练的开源词向量
• 加载方式：model = KeyedVectors.load_word2vec_format('sgns.weibo.bigram', binary=False, encoding='utf-8')
• 若领域特殊（如医疗、法律），可在预训练向量基础上用领域语料做增量训练（model.train(..., total_examples=..., epochs=...) ）