大家好啊，我是雨飞。
在之前的文章中，最近GraphRAG很火，计划搞个分享，制作了20页+的PPT。
我们提到会搞一次关于GraphRAG的分享，由于GraphRAG涉及到了知识图谱、RAG等前置知识，为了降低大家学习的难度，我们会首先讲一些概念性的内容。
其中有一页PPT，长这个样子。
里面提到了几种表示知识的方法，如何用计算机语言去描述一个苹果，一个是用向量去表示、另外就是知识图谱，我们今天就用通俗易懂的语言讲述向量（embedding）这个概念。
一、Embedding 基本概念
Embedding 通常指将高维原始数据映射到低维空间中，使得高维原始数据在低维空间中具有更好的可分性，这个映射过程就被称为 embedding，在这里面用到了向量空间的概念。嵌入后的低维数据通常被称作嵌入向量，也就是 embedding vector。
它的主要目的就是将数据的抽象和复杂性降低，使得机器学习模型能够更有效地理解和处理数据。
二、Embedding 应用场景
Embedding 技术的应用场景十分广泛，下面我们简单的举几个例子，供大家学习。
机器学习：在机器学习中，我们需要将数据转化为计算机能够处理的数值形式。使用嵌入技术可以将非结构化数据（如文本、图像或音频）转化为低维度的向量表示，使其更容易输入机器模型进行处理。 推荐系统：在推荐系统中，嵌入用于将用户和商品转化为向量表示。将用户的历史行为、商品的属性等转化为嵌入向量后，我们可以通过计算向量之间的相似度来推荐商品给用户或推荐用户给商品。 自然语言处理：在自然语言处理中，嵌入向量常用于学习单词、句子和文档的表示。通过将单词、句子和文档转化为向量，我们可以计算它们之间的语义相似度，进行文本分类、信息检索和问答等任务。 数据可视化：将高维数据以嵌入向量的形式可视化表示，可以在二维或三维平面上进行展示。嵌入向量可以在可视化中为我们提供更好的数据解释。
三、利用大模型来解释 Embedding
下面的回答来自GPT 4，希望能帮助你更好的理解什么是 embedding。
好问题！让我用一个比喻来帮助你理解embedding。
想象一下，你在玩一款电子游戏，其中有个任务是找到隐藏在地图上的宝藏。然而，地图上仅仅显示了一些坐标点，你并不知道这些点代表着什么。
这时，一个聪明的朋友告诉你，这些坐标点其实是宝藏的嵌入（embedding）。嵌入就像是能将宝藏的位置以数字的形式编码的魔法器。
通过了解宝藏嵌入的含义，你就能够将这些坐标点转化为实际的地图上的位置，找到宝藏。嵌入的本质就是把复杂的概念或者物体映射到一个低维空间中，让我们能够更好地理解和处理。
在计算机科学中，embedding也是类似的概念。它将高维的数据，如词、图像或者音频，映射到一个低维的向量空间中。这样做的好处是，在低维空间中，我们能够更容易地进行计算和比较。比如，通过计算词与词之间的距离，我们可以衡量它们的语义相似性。
总而言之，embedding是一种将复杂概念映射到低维空间的技术，让我们可以更方便地理解、处理和比较数据。希望这个比喻能帮助你理解embedding的含义。
END
好了，今天的分享就到这里，希望对你有所帮助。
你的每一个【点赞】，都是鼓励我进步的勇气，点个【在看】，加油吧！
❤️交个朋友❤️
目前我致力于AI工具拆解、AI解决方案的咨询、落地以及AIGC培训，
如果有相关问题，可以加我备注「公众号」，进行免费咨询，并领取我整理的AI学习资料和常用AI工具集。
部分资料截图：
