企业官网建设流程全解析

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：

• 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。
• 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 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。

2.1 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（Character-Level）分词和子词级（Subword‑Level）分词。下面逐一介绍。

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（Out-Of-Vocabulary，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。

2.1.2 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。

2.1.3 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子词分词方法。其基本思想是，在训练阶段，首先将语料中的词汇拆分为单个字符，构建初始词表；然后迭代地统计语料中出现频率最高的相邻字符对，将其合并为新的子词单元，并加入词表。这个过程持续进行，直到词表大小达到预设上限。
在分词阶段，BPE 会根据构建好的词表和合并规则对新输入的文本进行处理。具体做法是：将文本拆分为最小单位（如字符或字节），然后按顺序应用训练中学习到的合并规则，逐步合并，直到无法继续。最终得到的就是由子词组成的分词结果。
详细的实现过程可参考Hugging Face提供的一篇优秀教程。

• 示例:
  

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 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。

2.2.1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 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。
但是当采集到的数据集内容不规范时,比如商品的评论,可能还是会出现把空格当标点的情况.

需要再分词的时候进行清洗:

# 1. 加载数据df=pd.read_csv('data/online_shopping_10_cats.csv')# 2. 数据清洗df.dropna(inplace=True)# 3. 分词，准备语料sentences=[[tokenfortokeninjieba.lcut(sentence)iftoken.strip()!='']forsentenceindf['review']]

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。

2.3 分词工具

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：

• 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；
• 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。

2.3.2 jieba分词器

2.3.2.1）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。

2.3.2.2）安装

pip install jieba

2.3.2.3）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：

importjieba 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forwordinwords_generator:print(word)words_list=jieba.lcut(text)# 返回一个列表print(words_list)

运行结果 :

（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：

importjieba 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forwordinwords_generator:print(word)words_list=jieba.lcut(text,cut_all=True)# 返回一个列表print(words_list)

运行结果 :

（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：

importjieba 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forwordinwords_generator:print(word)words_list=jieba.lcut_for_search(text)# 返回一个列表print(words_list)

运行结果:

（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 10 n

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。

importjieba 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)

运行结果 :

3 词表示

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。

3.2 One-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。

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。

3.3.1 Word2Vec 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：

• 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。
  
• 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。

3.3.2 Word2Vec 原理

3.3.2.1）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。

3.3.2.2）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。

3.3.2.3）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。

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 gensim

3.3.3.1）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。

fromgensim.modelsimportKeyedVectors 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

• 查看词向量维度

print(model.vector_size)

• 查看某个词的向量

print(model['地铁'])

• 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0表示无明显相关；接近-1方向完全相反，极度不相似。
-1不代表是反义词,反义词更像每个节点相似,一个相反

• 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)

3.3.3.2）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。

fromgensim.modelsimportWord2Vec 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:CBOWworkers=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

fromgensim.modelsimportKeyedVectors 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

完整代码如下：

importjiebafromgensim.modelsimportWord2Vec,KeyedVectorsimportpandasaspd df=pd.read_csv('online_shopping_10_cats.csv',encoding='utf-8',usecols=['review'])sentences=[[tokenfortokeninjieba.lcut(review)iftoken.strip()!='']forreviewindf["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 = CBOWworkers=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)

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：

importtorchimporttorch.nnasnnfromgensim.modelsimportKeyedVectors# 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)forword,idxinword2index.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]forwordininput_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])

3.4上下文相关词表示

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 （RNN的一种改进版本）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。