t-SNE是词向量2D可视化的首选方法，因其能更好保留局部语义相似性；需设metric="cosine"、init="pca"、n_components=2、random_state=42，并按语义类别标注以揭示一词多义。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
直接用t-SNE把词向量压到2D平面，是目前最常用、效果最直观的可视化方式。它不追求数学上的精确映射，而是忠实地保留“哪些词彼此靠近”“哪些词明显分开”这类语义关系，让人一眼看出聚类结构。
为什么必须用t-SNE，而不是PCA？
PCA是线性降维，擅长保留全局结构和主方向，但会模糊局部相似性。比如“苹果”“香蕉”“橙子”在语义上紧密成簇，PCA可能把它们拉散；而t-SNE专门优化邻域关系，让同类词抱团更紧、异类词分得更开。对词向量这种强局部相关、弱全局线性的数据，t-SNE效果通常显著优于PCA。
关键参数设置不能跳过
默认参数跑t-SNE容易失真。几个必须调整的点：
-
metric="cosine"：词向量意义主要靠方向（夹角）体现，模长差异大。用余弦距离比欧式距离更合理，sklearn中对应
metric="cosine" - init="pca"：先用PCA粗略降到50维再进t-SNE，收敛更快、结果更稳定
- n_components=2：最终输出二维坐标，方便画散点图
- random_state=42：固定随机种子，保证每次运行结果可复现
可视化前要先准备带标签的数据
纯向量点图意义有限，加标签才有洞察力。建议按语义类别给词分组，比如：
- 水果类：“苹果”“香蕉”“葡萄”“草莓”
- 科技公司：“苹果”“微软”“谷歌”“华为”
- 动作动词：“跑步”“游泳”“编程”“调试”
这样画图时可用不同颜色/形状区分类别，立刻看出一词多义是否被模型正确建模——比如“苹果”应该同时靠近水果簇和科技簇。
画图时注意归一化和标注
t-SNE输出坐标范围不定，直接画图可能挤在角落。推荐做简单归一化：
x_final = (x_ts - x_ts.min(0)) / (x_ts.max(0) - x_ts.min(0))再用plt.scatter绘图，配合plt.text逐个标注词语，避免重叠可微调位置或只标关键样本。热力图不是必需项，散点+文字标签已足够清晰。
