中文之所以将 Embeddings 称为 词向量/词嵌入，是因为“嵌入”这个动作的结果，在数学上和计算机科学上，就是向量。

我来为您详细解释“嵌入”（Embed）和“向量”（Vector）之间的关系。

🔍 “嵌入” (Embed) 与 “向量” (Vector) 的关系

1. 嵌入 (Embed)：动作和过程

“嵌入”是一个动作（Process），它指的是将一种复杂的、高维度的、离散的对象（比如一个词、一个图结构、一个用户ID）映射到一个更简单、低维度的连续空间中的过程。

• 起点： 离散符号（如词语“香蕉”）。
• 终点： 低维空间中的一个点。

2. 向量 (Vector)：结果和形式

向量（Vector） 是实现“嵌入”这个动作的数学工具和最终结果（Form）。

在数学和计算机中，一个点在 $N$ 维空间中的位置，就是用一个包含 $N$ 个数字的向量来表示的。

• 实现： 计算机用一个浮点数数组或列表来表示这个点的位置，这个数组/列表就是向量。
  $${\mathbf{v}}_{\text{香蕉}}=[0.91,-0.45,0.12,\dots ]$$
• 意义： 向量中的每一个数字，都是这个词在某种潜在特征上的数值化表示。

3. 关系总结：嵌入生成向量

💡 为何中文常用“词向量”？

在中文 NLP 领域，“词向量”这个名称非常流行，甚至比“词嵌入”更常见，主要是因为：

1. 直观性： “向量”这个词直接点明了这种表示形式的数学本质——它是一串数字，可以进行向量运算（加减法、余弦相似度），这比抽象的“嵌入”更直接地说明了它的功能。
2. 技术演进： 在 Word2Vec 模型普及初期，其核心产物就是可用于计算的词向量。

因此，当中文提到 Embeddings 时，通常会使用 “词向量” 来强调这种表示形式具有向量的数学属性；使用 “词嵌入” 来强调从高维空间映射到低维空间的那个“嵌入”过程。两者指的是同一个事物。