Word2vec是最流行的词嵌入实现之一。它被用来将单词的分布表示转换成数字向量。Word2vec将文本转换为捕获单词之间语义和关系的向量。一个语义学的例子是意大利和罗马的关系类似于法国和巴黎的关系，所以意大利-罗马+巴黎≈法国。
文本分析工作流:使用word2vec将文本转换为数字
典型的文本分析工作流包括预处理、将文本转换为数字和模型构建。单词嵌入(如word2vec)是将文本转换为数字的一种流行方法。其他将文本转换为数字的方法有:
与其他方法相比，word2vec的优势在于它能够识别相似的单词。像word2vec这样的词嵌入在许多文本分析应用程序中显示了更好的准确性。
Word Embedding word2vec的替代品
除了word2vec之外，其他流行的词嵌入实现还有GloVe和FastText．这些实现的不同之处在于使用的算法类型和用于训练创建模型的初始文本语料库。Word2vec使用连续词袋(CBOW)和跳跃图算法来训练初始文本语料库。
您可以在工作流中使用现有的预先训练过的词嵌入模型，如word2vec。或者，您可以创建自己的单词嵌入模型。需要考虑的事情有:
- 预先训练过的模型，如word2vec，使其易于入门，但可能缺乏高精度文本分析应用程序所需的领域特定词汇。
- 创建自定义模型会花费更多的时间，但是自定义模型在特定领域的应用程序中可能会执行得更好。
您还可以在深度学习网络中包含一个预先训练的词嵌入层，如word2vec，并为特定的应用继续训练它。
文本分析工具箱™，用于MATLAB®，具有读取word2vec、GloVe和的词嵌入的功能FastText与wordEmbedding对象。
要了解有关使用word2vec和使用文本数据构建模型的更多信息，请参见文本分析工具箱．
