Word2vec绝对是我在自然语言处理研究中遇到的最有趣的概念。想象一下，有一种算法可以成功地模拟理解单词的含义及其在语言中的功能，它可以在不同的主题内来衡量单词之间的接近程度。
我认为可视化地表示word2vec向量会很有趣：本质上，我们可以获取国家或城市的向量，应用主成分分析来减少维度，并将它们放在二维图表上。然后，我们可以观察可视化的结果。
在本文中，我们将：
从广义上讨论word2vec理论；
下载原始的预训练向量；
看看一些有趣的应用程序：比如对一些单词进行算术运算，比如著名的king-man+woman=queen等式
根据word2vec向量看看我们能多精确地来绘制欧洲的首都。
word2vec的原始研究论文和预训练模型来自2013年，考虑到NLP文献的扩展速度，目前它是老技术。较新的方法包括GloVe（更快，可以在较小的语料库上训练）和fastText（能够处理字符级的n-gram）。
