词嵌入
Parent: ai_keywords
词嵌入（Word Embedding）
核心定义
词嵌入是自然语言处理（NLP）中将离散的词汇映射为稠密、低维连续向量（通常几百维）的技术。它通过分布式表示编码语义与语法信息，使语义相似的词在向量空间中距离相近（如“医生”与“医院”的余弦相似度高），从而突破传统独热编码的维度灾难与语义孤立缺陷。
关键技术点
- Word2Vec
基于局部上下文预测（CBOW/Skip-gram），通过负采样或层次Softmax训练，生成静态词向量。核心假设：语义由共现模式决定。 - GloVe
融合全局矩阵分解（共现统计）与局部上下文窗口，利用加权最小二乘回归，兼顾全局语料统计规律。 - FastText
引入子词信息（n-gram），将词拆分为字符级片段，可处理未登录词及形态丰富语言（如德语、中文医学专有名词）。 - 上下文嵌入（ELMo / BERT）
通过双向语言模型或Transformer编码，根据上下文动态生成词向量，解决一词多义问题（如“卒中”在“卒中单元”与“脑卒中”中向量不同）。 - 向量代数性质
词嵌入支持语义向量运算，如king - man + woman ≈ queen，在医学领域可类比“脑出血” - “血压” + “抗凝” ≈ “颅内血肿扩大”，反映潜在临床推理路径。
医学/神经科学应用场景
在首都医科大学神经病学研究中，词嵌入被用于解析脑卒中临床文本的语义结构。例如：
- 构建卒中知识图谱：将电子病历、影像报告、诊疗指南中的关键实体（“基底节区”“溶栓时间窗”“NIHSS评分”“脑微出血”）映射至低维向量空间，自动识别同类症状（“偏瘫”“运动性失语”“凝视”的高余弦相似度）及因果关系（“房颤→心源性栓塞→梗死体积”)；
- 预后预测增强：将非结构化出院记录中的时序事件（“发病→溶栓→血管再通→mRS 2分”）编码为向量序列，结合循环神经网络预测90天功能结局，准确率较独热编码提升12%；
- 跨模态语义对齐：联合脑电图（EEG）频谱特征与描述癫痫发作类型的文本（“全面性强直-阵挛发作”“局灶性感觉性发作”），通过对比学习实现神经电生理信号与临床术语的语义对齐，辅助自动分类癫痫发作亚型。
此方法有效弥合了医学术语离散性与临床推理连续性之间的鸿沟，为神经疾病信息抽取、决策支持与精准诊疗提供了可复用基础。
