1.one-of-N encoding 与word embedding
2.Word Embedding
(1)生成词向量是无监督的
(2)word embedding 的含义
<1>在没有监督的情况下通过阅读大量文档来机器学习单词的含义
<2>一个词可以通过上下文来理解
(3)如何利用上下文
<1>Count based
如果两个单词wi,wj经常一起出现，V(wi)与V(wj)彼此会更接近
<2>Prediction-based
案例：
如果输入马英九或蔡英文，输出“宣誓就职”应该都有大的可能性，则z1,z2...zn应该在相同的区域内。
3.word embedding 训练过程
收集数据，分词，将词输入到Neural network中，看神经网络的输出，看输出与期望值的交叉熵。
(1)Prediction-based的两种典型模型
<1>CBOW(continuous bag of word) 连续词包：给定上下文，预测词
<2>给定词，预测上下文
(2)word vector 的一些意义