词嵌入（Word Embedding）是文本数据表示的核心技术之一，通过将单词表示为密集向量，将其映射到连续的向量空间中，帮助神经网络模型更好地理解文本语义。相较于传统的词袋模型，词嵌入更紧凑且富含信息，不仅能够捕捉单词间的语义关系，还为下游任务（如情感分类、文本生成等）提供了更高效的数据表示方式。本教程将介绍词嵌入的基本概念、如何在 Keras 中实现嵌入层，以及如何加载和使用预训练的 GloVe 嵌入。文章目录词嵌入Keras 中的嵌入层（Embedding Layer）Keras 嵌入进行情感分析GloVe 预训练词嵌入总结词嵌入词嵌入是自然语言处理中的重要技术，旨在用低维密集向量表示单词和文本，这种方式不仅改进了传统词袋模型，还通过捕捉词语间的语义关系使得相似含义的单词在向量空间中更加接近。词嵌入的生成基于单词的上下文关系，通过训练生成的向量能够在语义上反映出单词的关联性。典型的词嵌入方法包括Word2Vec和GloVe。Word2Vec基于局部上下文进行训练，能够很好地处理局部关系；而GloVe则通过全局词频矩阵建模，更适用于全局语义关系的捕捉。方法基本原理优点缺点适用场景Word2Vec基于局部上下文信息（CBOW 或 Skip-gram 模型）能有效捕捉局部语义关系，生成的向量具有较高质量训练过程较长，依赖大量数据适合需要精准词汇关系的任务，如情感分析GloVe基于全局词频矩阵，利用词的共现概率生成词向量对全局语义关系的建模更好，适合稀疏数据场景无法处理动态上下文，较难捕捉细粒度的局部关系
