在前面的文章中，大概花费了几节的篇幅，详细介绍了 token 以及词嵌入向量的概念。到这里，你应该可以理解了：在计算机的眼里，所有的文本首先都要经过分词转换为 token ，然后再使用词嵌入算法将 token 转换为词向量。

如果还有不理解的相关内容，可以返回前述几节再详细阅读一下，或者在本节下留言。

本节将通过一个例子，来帮你更加通俗的理解词嵌入向量代表的含义：实际上，词向量中的数值，代表的是单词的语义在各个维度上的特征。

这里有一个全程一站式的 Transformer 讲解和实战辅导，带你从零手写一个可对话的大模型，点击链接查看详情从零手写大模型实战

一个例子来理解特征

本例子来源于 Jay Alammar 的博客，我在原文基础上进行了精简和提炼。

不知道你是否做过性格测试。

在很多类似的测试中，都会有许多道题来让你回答，然后从多个维度、多个方面衡量你的潜力或特质，然后给出分值，最后综合来评判你是一个什么样的人。

假设一个叫 Jay 的人做完性格测试，在“你是属于内向还是外向？”这项测试中得到了 38 分。这里满分为 100，分数越高，说明人越外向，分数越低，说明人越内向，38 分的得分结果如下。

为了抹平多项测试间的分值差异，这里将所有得分的数据归一化到 [-1,1] 之间。归一化后内外向得分为 -0.4 分，越靠近负1说明越内向，越靠近正1说明越外向。

此时很明显，说明 Jay 这个人偏内向。但也仅此而已，我们从 -0.4 这个分数看不出 Jay 有其他什么品质，仅仅知道他偏内向而已。

这个时候，如果再增加一个测试项目的得分，假设 Jay 在另一个测试项目中得分为 0.8 分。

此时，根据这两个测试项目的数据，我们知道 Jay 这个人在第一个性格（性格#1: 内外向）中得分 -0.4，他偏内向。在第二个性格中得分0.8。

虽然这里没指明第二个性格具体代表的是什么（比如你可以理解为“是否任劳任怨加班？”，0.8 分说明他是一个加班狂），但至少我们对 Jay 的认识又增加了一些。

假设，现在 Jay 在上班途中被车撞了，公司需要一个人来顶替他的工作内容，有两个候选人（Person #1 和 Person #2），他们在这两项测试中的得分如下：

根据这两个人的得分，你更倾向于让谁来代替 Jay 呢？

你可能会说，看样子 Person#1 和 Jay 在两项上的得分更相近，两人具有更类似的特质，可以让 Person#1来代替 Jay 。

是的，在数学模型上，衡量两个人的性格数据（这里是向量）是否相似，可以使用余弦相似度(见8、词向量如何表示近义词？)的方法，这个在上一节介绍过了。

通过计算，可以的得到余弦相似度数值为：

很明显，Person #1 获选，因为他和 Jay 的余弦相似度更高。

上述每一项（Trait #1, Trait #2）的得分都代表了这个人在某一项测试中的特质或潜力，或者说是这个人在某性格维度上的特征值。

但是 2 个特征还不足以完全代表一个人，因此我们可以将特征数量继续增加：

继续计算余弦相似度

通过计算，仍然得到 Person #1 与 Jay 更相似的结论。

至此，Person #1 获选，说明Person #1 和 Jay 更相似，更容易获得这份工作。

如果把上述例子中的得分组成的向量看做是词嵌入向量的话，那么其中的数值，便是代表一个单词在各个维度特征的得分值。

比如在上一节中提到的，猫（cat）可以是以下特征的集合：

cat = [会跑（1）、会爬树（0.9）、会叫（1.0）、粘人（0.6）、会抓老鼠（0.6），会游泳（-0.9），会喷火（-1.0）...]

足够多的维度，便可以更加精确的表示猫（cat）这个单词。

所以，词嵌入向量代表的就是单词语义的特征集合，这一点很重要，在后面介绍 Encoder-Decoder 模型时，你会发现中间的 Context 也可以这么理解。本节理解到这层意思就可以了。

我创建了一个《小而精的AI学习圈》知识星球，星球上有几十万字原创高质量的技术专栏分享，同时你也可以在星球向我提问。点击这里，我们星球见！ >>>
点击这里查看所有 AI 技术专栏