自然语言处理(NLP)是计算机科学和人工智能的一个领域，以使人类语言可以跨越计算机系统和人类之间进行交互为目标。伴随着深度学习的崛起，NLP领域中的一项重要技术——Word Embedding(词向量)变得越来越流行。究竟什么是Embedding，又如何应用于NLP领域呢？
Embedding可以将单词映射到一个低维向量空间中，这样单词就可以用几个数字来表示，该数字向量保留了单词的一些重要的语义信息。WordEmbedding是通过分析大量文本语料库，使用特定的算法将每个词汇量化形成向量表示，这样同伴词的向量在这个向量空间附近是接近的，从而表示出语言中词汇的相关性。
具体来说，当一个单词进入模型训练时，Embedding层将会通过权值矩阵，将这个单词的one-hot向量表示映射为低维稠密向量。在模型训练的过程中，Embedding层的权值矩阵也会跟着调整，以便能够最大程度地让这些词向量能够刻画语义信息。
Word Embedding使得NLP模型训练更快、更高效，并且通过语义向量表示进一步满足了NLP应用的需求。例如：在机器翻译任务中，可以用Encoder-Decoder模型进行训练，在文本分析中，可以使用文本分类模型、情感分析模型等。
