词向量（Word Embedding）是将词语映射为高维向量的技术，用于表示词语的语义信息
常见模型包括：
Word2Vec（Google）
GloVe（Stanford）
FastText（Facebook）
BERT 等预训练语言模型（如 bert-base-uncased）

词向量的应用场景：
计算词与词的相似度（余弦相似度）
文本分类、聚类
语义搜索、推荐系统



阿里云（阿里百炼平台）提供词向量服务
阿里云词向量文档：
https://help.aliyun.com/zh/bailian/developer-reference/word-embedding

注册账号： 登录 阿里云控制台  创建项目并获取API Key


import requests
import json

url = "https://dashscope.aliyuncs.com/api/v1/services/word-embedding/text-embedding"
headers = {
    "Authorization": "Bearer YOUR_API_KEY",
    "Content-Type": "application/json"
}
data = {
    "model": "text-embedding-v1",
    "input": {
        "text": "苹果"
    }
}
response = requests.post(url, headers=headers, data=json.dumps(data))
print(response.json())  # 返回词向量（如1024维向量）


返回的向量格式为 List[float]，例如 [0.123, -0.456, ..., 0.789]。
可用于计算相似度（如 cosine_similarity(vec1, vec2)）




Hugging Face（开源模型）
使用开源模型（如 sentence-transformers）本地生成词向量
pip install sentence-transformers

加载模型并生成向量：
from sentence_transformers import SentenceTransformer

model = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')  # 加载轻量模型
vectors = model.encode(["苹果", "水果", "手机"])  # 生成词向量（768维）
print(vectors.shape)  # 输出: (3, 768)

计算相似度：
from sklearn.metrics.pairwise import cosine_similarity

similarity = cosine_similarity([vectors[0]], [vectors[1]])  # 苹果 vs 水果
print(similarity[0][0])  # 输出相似度（0~1）