在学习LSTM的时候，了解了word2vec，简单的理解就是把词变成向量。看了很多书，也搜索了很多博客，大多数都是在word2vec的实现原理、数学公式，和一堆怎么样重新写一个word2vec的python代码。对于我这种数学弱鸟级别的人来说，这显然是没有什么意义的，更别说价值了。我所需要的就是理解几个简单的问题：
1、什么是word2vec？
2、为什么是word2vec?
3、word2vec能干什么？
4、怎么用word2vec来达到目的？
最起码目前我能理解这几个问题，以及足够了，至于那些数学公式，还需要时间，我高中数学都忘光了，已经在京东上购买了高中数学书，估计学到能看懂这些数学公式，都天荒地老了，有没有word2vec的算法都不好说了。
什么是word2vec?word2vec是谷歌提出的一种算法，能把文字表述成一种向量表。在这种向量表里，关系相近的词语向量距离比较近。通过这个向量表可以十分清晰的看出来词语和词语的分布。
为什么是word2vec?因为计算机不懂得人类的语言，必须把词语变成数字化得东西，才能进一步的参与运算，可以把词语简单的映射，行程one-hot的词典，然后就可以参与lstm的网络训练了。但是这样的情况有几个问题。
1、one-hot的方式是一个稀疏矩阵，占用很大的位置。计算起来十分不方便。
2、one-hot仅仅是把词语或者文字数字化了，而没有词语和词语之间的联系和关系。如果能把语义上相近的词语放到一起，这样就可以一眼看出来词语和词语的关系，同时根据词语和词语分布进行语义方面的分析和计算。
而为了实现既可以语义上分布有规律，有可以缩小矩阵减少计算。人类进行了很多摸索和算法，而目前为止，word2vec就恰恰好可以实现这个目的，同时避免缺点。
word2vec能干什么？
我个人的理解，word2vec主要达到两个效果1、把词语进行数字化以后，可以参与其他的计算了。
2、词语根据语义分布的有规律了，可以根据这个进行一些有意思的玩法了。
关于把词语放入词典，可以参与其他的计算。这个暂且不去探讨，因为我也还不懂。说了也是胡说
词语语义有规律的分布以后，就可以进行一些有意思的玩法，比如
1、一个网站的内容可以提取出来词语，得到空间向量，然后广告内容也可以得到空间向量，计算向量之间的距离，就可以知道哪个广告匹配哪个内容了？
2、兴趣推荐，内容推荐，商品推荐，大概的意思都这样，社交网络的大V推荐
我能想到的大概就这么多：
看看别人怎么说吧：
https://x-algo.cn/index.php/2016/03/12/281/
https://www.jianshu.com/p/f58c08ae44a6