【自然语言处理】NLP分词与Word2Vec词向量——从原理到实战

NLP分词与Word2Vec词向量深度解析

• 一、英文分词
• • 1. 词级分词
  • 2. 字符级分词
  • 3. 子词级分词
• 二、中文分词
• • 1. 字符级分词
  • 2. 词级分词
  • 3. 子词级分词
• 三、分词工具
• • 1. jieba 分词器
  • 2. One-hot 编码
  • 3. Word2Vec 词嵌入
  • • 3.1 Word2Vec 概述
    • 3.2 Word2Vec 原理
    • • Skip-Gram
      • CBOW
    • 3.3 获取 Word2Vec 词向量
    • • 使用公开词向量
    • 自行训练词向量
    • • 1. 准备语料
      • 2. 训练模型
      • 3. 保存词向量
      • 4. 加载词向量
    • 3.4 应用 Word2Vec 词向量

一、英文分词

按照分词粒度的不同，可将英文分词划分为三种类型：词级分词（Word-Level）、字符级分词（Character-Level） 和 子词级分词（Subword-Level）。下面逐一展开介绍。

1. 词级分词

词级分词是指将文本按照完整的词语进行切分，是最传统、最直观的分词方式。在英文中，空格和标点通常充当天然的分隔符。

词级分词虽然便于理解和实现，但在实际应用中容易遭遇 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，例如网络热词、专有名词、复合词及拼写变体等。由于模型无法识别这些词，通常会将它们统一替换为特殊标记（如 <UNK>），从而导致语义信息丢失，影响模型的理解与预测能力。

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切分的方法。文本中的每一个字母、数字、标点乃至空格，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，因此词表规模极小，覆盖率极高，几乎不存在 OOV 问题。无论输入中出现什么新词或拼写变体，只要字符在词表中，都能被正常表示。

然而，单个字符本身所承载的语义信息极弱，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。同时，输入序列也会变得更长，影响模型效率。

3. 子词级分词

子词级分词是一种介于词级与字符级之间的分词方法，它将词语切分为更小的语义单元——子词（subword），例如词根、前缀、后缀或常见的词片段。

与词级分词相比，子词分词能显著缓解 OOV 问题；与字符级分词相比，它又能更好地保留语义结构。

子词分词的核心思想是：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已有的子词单元，模型就能识别和表示它，从而避免整体被替换为 <UNK>。

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：

子词级分词已成为现代英文 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。

二、中文分词

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的语义，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. 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的阅读习惯。

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。

3. 子词级分词

虽然中文没有英文中典型的前缀、后缀、词根等子词结构，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出现的字组合（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。

三、分词工具

目前市面上可用于中文分词的工具种类繁多，按实现方式可分为两大类：

• 基于词典或规则的传统方法：以"词"为单位进行切分，代表工具包括 jieba、HanLP 等
• 基于子词建模算法（如BPE）：从数据中自动学习高频组合，构建子词词表，代表工具包括 Hugging Face Tokenizer、SentencePiece、tiktoken 等

1. jieba 分词器

关于 jieba 库的详细介绍，可参考：

一文快速上手 Python 中文分词神器 —— jieba 库

2. One-hot 编码

关于 One-hot 编码的详细介绍，可参考：

机器学习：数据预处理之独热编码（One-Hot）详解

3. Word2Vec 词嵌入

3.1 Word2Vec 概述

Word2Vec 的设计理念源自分布假设（Distributional Hypothesis）——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反映语义特征的稠密向量表示。

Word2Vec 提供了两种典型的模型结构：

只要按照上述目标训练模型，就能得到语义化的词向量。

3.2 Word2Vec 原理

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，首先需要对原始文本进行分词，将连续文本转换为 token 序列。同时，模型无法直接处理文本符号，仍需将词语转换为 one-hot 编码，作为模型的输入和输出进行计算。

Skip-Gram

训练样本

Skip-Gram 的目标是根据中心词预测上下文，其训练样本格式为：

模型结构

Skip-Gram 模型结构如下：

Skip-Gram 模型损失值的计算流程如下：

前向传播过程：

在反向传播过程中，参数矩阵 W 中"地铁"对应的词向量会被更新。模型通过不断训练，逐步优化向量，最终得到具有语义的词向量。

CBOW

训练样本

CBOW 的目标是根据上下文预测中心词，其训练样本格式为：

模型结构

CBOW 模型结构如下：

CBOW 模型损失值的计算流程如下：

CBOW 前向传播过程：

在反向传播过程中，参数矩阵 W 中"乘坐"和"上班"对应的词向量会被更新。模型通过不断训练，逐步优化这些向量，最终得到具有语义的词向量。

3.3 获取 Word2Vec 词向量

词向量的获取通常有两种方式：直接使用公开词向量 或 在自有语料上自行训练。

使用公开词向量

国内一些大公司提供了训练好的中文词向量，可从以下仓库下载：

https://github.com/Embedding/Chinese-Word-Vectors

词向量文件的通用格式如下： <词汇总数> <向量维度> word1 val11 val12 … val1N word2 val21 val22 … val2N …

可使用 KeyedVectors.load_word2vec_format() 加载词向量文件：

from gensim.models import KeyedVectors

model_path = 'sgns.weibo.word.bz2'
model = KeyedVectors.load_word2vec_format(model_path)

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：

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 提供了便捷的 Word2Vec 训练 API：

from gensim.models import Word2Vec

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: CBOW
workers=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

from gensim.models import KeyedVectors

my_model = KeyedVectors.load_word2vec_format('my_vectors.kv')

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 NLP 模型中，嵌入层本质上是一个查找表（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。

嵌入层的参数矩阵通常有两种初始化方式：

加载预训练词向量后，可选择是否让嵌入层继续参与训练（即 fine-tune 或 freeze）。