词编码模型有哪些

词编码模型在高维向量空间的关系解析与实例说明

如Word2Vec、BERT、Qwen等

一、高维向量空间的基础概念

词编码模型（如Word2Vec、BERT、Qwen等）的核心是将自然语言符号映射为稠密的高维向量，使语义相近的词汇在向量空间中位置接近。以Qwen模型为例，其15万字符的词表规模（通常基于字节对编码BPE）本质是在高维空间中为每个词分配唯一的坐标点，而向量之间的几何关系（如距离、夹角）则反映语义相关性。

二、高维向量空间的关系类型

1. 语义相似性
   向量空间中，余弦相似度越高的向量语义越接近。例如：

   • “国王”向量 - “男人”向量 + “女人”向量 ≈ “王后”向量
     这种线性运算在高维空间中表现为向量平移，体现词与词之间的语义类比关系。

2. 多语言空间对齐
   跨语言模型（如mBERT）通过共享向量空间，使不同语言的同义词汇在空间中位置接近。例如：

   • 中文“苹果”与英文“apple”的向量在空间中具有高相似度。