一、核心定义
n 维向量 \(\boldsymbol X=[x_1,x_2,...,x_n]\)，由 n 个独立数值特征组成；每一维代表一项特征属性，整组向量把非结构化信息（文字、图像、语音）转化为模型可运算的数字格式，作为 AI、机器学习的标准输入。
计算机只能做数值四则运算、矩阵运算，无法直接识别文字、图片，向量就是现实信息→数字特征的翻译器。
二、分层拆解：每一维度 = 一个特征
- 向量维度 n：特征总个数\(n=5\) → 5 个特征；\(n=300\) → 300 个隐性特征；\(n=768\) →768 项语义特征。
- 分量 \(x_i\)：该特征的量化取值可以是整数、小数、0，用来描述这个特征的强弱、有无、大小。
实例 1：传统结构化数据（身高体重）
样本：人 = \([身高,体重,年龄]\)，\(n=3\)\([175,65,28]\)
- \(x_1\)身高特征、\(x_2\)体重特征、\(x_3\)年龄特征；三维完整描述一个人的基础信息。
实例 2：NLP 四种编码（承接前面学习链路）
- OneHot 单词向量（n= 词典总数）词典
[苹果,香蕉,桌子]，\(n=3\)，苹果：\([1,0,0]\)
- 第 1 维：是否是苹果；第 2 维：是否是香蕉；第 3 维：是否是桌子；维度 = 词语标识特征，稀疏特征。
- BoW 词袋文本向量（n= 词典总数）词典
[我,爱吃,苹果,香蕉]，句子「我爱吃苹果」：\([1,1,1,0]\)
- 每一维 = 对应词语在文档的出现频次特征。
- Word2Vec 词向量（自定义\(n=50/300\)稠密）苹果\([0.2,0.5,-0.1,...]\)，共 300 维
- 每一维是隐性语义特征：品类、口感、常用搭配、属性等抽象特征（人看不懂数值含义，但模型能识别）。
- BGE 文本向量（\(n=768/1024\)稠密）整句话压缩为一条高维向量，所有维度共同承载：语序、主旨、情感、上下文隐含语义。
三、两大向量分类：稀疏特征 / 稠密特征
1. 稀疏特征向量（OneHot、BoW）
绝大多数维度数值 = 0，只有少量特征有效；
- 特征含义显性：人能看懂每一维代表什么（某词有没有、出现几次）；
- 缺陷：维度庞大、信息碎片化、无语义关联。
2. 稠密特征向量（Word2Vec、BGE）
全部维度都是非 0 小数，没有大量空位；
- 特征含义隐性：人类无法直接解读单个维度含义，是模型自主学习出来的抽象语义特征；
- 优势：少量维度承载海量语义信息，同类特征数值天然靠近。
四、向量的核心作用：作为模型输入
- 统一数据格式不管是单词、整段文章、图片像素，全部规整为固定长度n维数组，满足神经网络、传统机器学习的输入规范。
- 特征压缩与信息封装把海量文字语义压缩进一串数字，相近信息→特征分布相近→向量空间靠近，因此可以用余弦相似度计算信息相似度。
苹果、香蕉语义相近，向量各维度数值整体接近，余弦≈1；苹果、桌子特征差异大，余弦趋近 0。
五、串联整条 NLP 演进逻辑（回扣之前总结）
- OneHot：单词→稀疏 n 维特征，仅区分词语，无词义；
- BoW：文本→稀疏 n 维特征，仅统计词频，无整句语义；
- Word2Vec：单词→稠密 n 维特征，特征携带词语语义；
- BGE：文本→稠密 n 维特征，特征携带全文整体语义。
迭代本质：从只能标记 “有无” 的无效特征，逐步进化为能表达内在含义的语义特征。
六、一句话精简总结
n 维向量 = 用 n 个数字化特征去具象化现实信息，是现实世界和人工智能数学计算的中间桥梁。
