AI笔记：对embedding的粗暴理解 - 链载Ai

Embedding是个什么鬼？

这词直译是“嵌入”的意思，为了好计算，将复杂的高维向量转换为简单的低维向量。

忽略掉“高维/低维/向量”，在我看来embedding更有“替换”的意思，粗暴地说就是用数字打标签。类似将每个词编码为一串数字，类似于这个词的身份证号，而这串数字是唯一的。

比如龙傲天，这个词被embedding之后，就会变成“1,2,3,4,5,6,7,8”。现在计算机拿着一份花名册，要从名册上找到“龙傲天”，只用拿“1,2,3,4,5,6,7,8”去找就行了，比拿“龙傲天”三个汉字去找要容易。

到这儿，已经大致知道embedding是个啥货了，和别人吹一个牛基本够用。要吹更多得牛，得再深入一些。

上面的玩法是word2vec，属于词向量的技术（word embedding），顾名思义就是只玩词的，图片视频啥的玩不了。word2vec还能对那串数字进行加减法，比如“国王 - 男人 + 女人 = 女王”。

词向量模型再进一步，就有了glove技术。虽然不知道它为什么要叫手套，但这玩意能通过全局的词频统计，来生成向量，对语义的理解，比word2vec就要深一些。

通过检索全局就能知道龙傲天、库日天、叶良辰等人经常在一起玩，用glove为花名册生成向量时，他们几个的编码就会比较接近。

龙傲天：1,2,3,4,5,6,7,8

库日天：1,2,3,4,5,6,8,7

叶良辰：1,2,3,4,5,8,7,6

接着，如果有些不知道的生僻词，模型很难理解其中的意思。于是FastText登场，它主要靠拆词来理解，有点通过偏旁部首认字的意思。比如它能通过“钅”和“同”，推断“铜”是个金属元素。

经过FastText这一顿embedding后，模型就有了理解新词的能力。

但不管是word2vec还是FastText，它们都只能embedding出静态向量，即每个词只有一个唯一的编码，意味着不能区分多义词。

假设花名册里有两个叫龙傲天的人，给到的编码也只会是一样的。

同理，用英文说一句：河岸（bank）边的银行（bank），俩bank不是一回事儿，模型就只会把bank理解成一个意思。

遇到问题，解决问题，ELMo应运而生。

它不再给每个词赋予一个唯一的编码，而是能够结合上下文动态地为不同句子里的同一个词给出编码。

比如“我在吃苹果”这句话中的“苹果”，指的是粮食类，编码是9,5,2,7。

比如“我用的是苹果”这句话中的“苹果”，指的是手机类，编码是8,3,8,4。

到这里，模型就从对词义的理解，进化到了对语境的理解。

更加深度的理解，就得到Transformer架构的出现。

BERT模型采用双向Transformer，GPT模型采用的是单向Transformer。一个重在理解类任务，一个长于生成式任务。

例如你告诉GPT：“我叫龙傲天，我的少爷叫刘波...”

GPT会自动为你续写：“我龙傲天誓死守护刘波！”

Transformer架构，可以看作是现在大语言模型的基础，有了这个架构，大模型才能被训练出来。这是个更复杂的话题，用人话讲明白不太容易。

总的来说，上面一步步地进化，就是让模型更加准确地理解语义，使embedding更加精准，从而更好地进入到下一步的任务中。

什么任务？举个例子，电商里常见的推荐任务，怎么推荐才能让你看到最适合你的商品？

你在平台的行为数据，乃至平台能获取的你在平台外部的行为数据，都可以embedding为向量。万物皆可embedding，你和商品的关系，商品和商品的关系，你和其他用户的关系，其他用户和商品的关系等等。

其中你和商品的关系就能分为：商品类别，价格，你的浏览时长，是否下单，浏览频次....

据说阿里的商品向量至少是768维的，即用768个数字描述一个商品，这还是省成本的妥协。字节的Seed1.5-Embedding模型，向量维度最高能到2048。

写到这里，有点唏嘘。AI时代把一切都向量化，大家都是行走的数字。

AI不仁，以万物为养料？