语义向量：让AI“理解”词语含义的数字坐标
语义向量是一种将词语、句子或文档转化为高维空间中的数字向量的技术，它捕捉了文本的语义信息，使得含义相近的文本在向量空间中也彼此靠近，从而让计算机能够进行语义层面的计算和推理。
一句话解释
语义向量是将文本（如词、句、段落）映射为一串数字（即向量）的技术，这串数字代表了文本的“含义”，使得机器能通过计算向量间的距离来判断文本语义的相似程度。
为什么会被关注
随着大语言模型的爆发，语义向量作为其理解语言的基础设施变得至关重要。它让AI不再是机械的关键词匹配，而是能真正“领会”用户意图，驱动了更智能的搜索、推荐和对话应用，是当前AI落地的核心技术之一。
核心逻辑
其核心思想是“一个词的含义由其周围的词来决定”。通过在海量文本上训练模型，让模型学习预测每个词的上下文。在此过程中，模型为每个词生成一个独特的向量。语义相近的词（如“猫”和“狗”），因其出现的上下文相似，最终得到的向量在数学空间中的位置（即方向和距离）也相近。
常见场景
1. 智能搜索：搜索“如何养护盆栽”，系统能匹配到“绿植浇水技巧”等内容，突破字面匹配。
2. 推荐系统：根据你读过的文章向量，推荐语义相似的新内容。
3. 文本分类：快速将海量文档按主题自动归类。
4. 问答系统：将问题转化为向量，在知识库中寻找语义最匹配的答案。
5. 大模型基础：作为Transformer等模型的输入，是其理解语言的起点。
容易混淆的点
语义向量 ≠ 关键词向量：它表征的是深层的语义，而非表面词汇。例如，“苹果”公司”和“iPhone”的向量会很接近，但与“水果苹果”的向量距离较远。
语义向量 ≠ 万能：其质量极度依赖训练数据和模型，可能存在偏见，且对细微的语义差别（如反讽、双关）捕捉能力仍有限。它提供的是概率上的相似，而非逻辑上的必然。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词Embedding（嵌入）是将离散的非结构化数据（如文字、图片）映射为连续稠密向量的技术。这些向量能捕捉数据间的语义关系，让AI能进行语义相似度计算、推荐、分类等任务，是连接人类语言与机器计算的桥梁。
向量数据库是一种专门为存储和检索高维向量数据而设计的数据库。它通过将文本、图像、音视频等非结构化数据转化为数学向量（即一组数字），并计算向量间的“距离”来衡量相似性，从而实现高效的相似性搜索。它是构建AI应用，如智能问答、推荐系统和内容检索的核心基础设施。
大语言模型是一种基于海量文本数据训练的人工智能模型，能够理解、生成和推理人类语言。它通过深度学习技术，学习语言的统计规律和语义关联，从而完成对话、写作、翻译等多种任务，是当前生成式AI浪潮的核心驱动力。