不依赖第三方库实现Word Embedding，本质是手动完成词向量训练全流程：文本预处理、构建词汇表、生成Skip-gram上下文样本、定义前向传播（Sigmoid+点积）与反向更新逻辑，并用纯Python实现负采样与梯度更新。
☞☞☞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☜☜☜
不依赖第三方库实现 Word Embedding，本质是手动完成词向量的训练流程：从文本预处理、构建词汇表、生成上下文样本，到定义并更新词向量。核心在于理解 Skip-gram 或 CBOW 的前向传播与梯度更新逻辑。下面以 Skip-gram + 负采样（Negative Sampling）为例，用纯 Python（仅用 math、random、collections）实现一个可运行的轻量级词嵌入模型。
1. 文本预处理与词汇表构建
目标是将原始句子转为整数索引序列，并筛选高频词、过滤低频词和停用词（可选）。
- 分词：按空格或简单标点切分，转小写，去掉空字符串
- 统计词频：用
Counter统计所有词出现次数 - 构建词表：保留出现次数 ≥
min_count的词，按频次降序排列；为UNK（未知词）预留索引 0 - 建立映射：
word2idx（词→索引）、idx2word（索引→词）
2. 生成 Skip-gram 训练样本
对每个中心词，提取其窗口内（如 ±2）的上下文词作为正样本；负样本从词频分布中按概率采样（常用一元分布的 3/4 次方做平滑）。
- 遍历句子中每个词（跳过首尾窗口边界），以该词为中心，收集左右
window_size内的词作为正样本 - 对每个正样本，随机采样
n_neg个负样本：先预计算每个词的采样概率（freq^(3/4)归一化），再用轮盘赌法或别名采样（简易版可用random.choices配合权重） - 每条样本格式为：
(center_idx, context_idx, label)，其中label=1为正，label=0为负
3. 初始化与前向传播（Sigmoid + 点积）
维护两组向量：输入层 W（vocabulary_size × embedding_dim），输出层 W'（vocabulary_size × embedding_dim）。Skip-gram 中，中心词查 W 得向量 v_c，上下文词查 W' 得 v_w，预测得分 = v_c ⋅ v_w，再经 Sigmoid 得概率。
立即学习“Python免费学习笔记（深入）”；
- 初始化
W和W'：用小随机数（如uniform(-0.5/dim, 0.5/dim)）避免对称性 - Sigmoid 函数需手写：
def sigmoid(x): return 1 / (1 + math.exp(-max(-50, min(50, x)))（防溢出） - 前向输出：
score = sum(v_c[i] * v_w[i] for i in range(dim))→prob = sigmoid(score)
4. 手动反向传播与参数更新
使用二元交叉熵损失：L = −[y·log(p) + (1−y)·log(1−p)]。对正样本（y=1），梯度为 (p−1)；对负样本（y=0），梯度为 p。据此更新两个向量：
- 令
g = prob - label（即误差信号） - 更新中心词向量：
W[center_idx][i] -= lr * g * W_prime[context_idx][i] - 更新上下文词向量：
W_prime[context_idx][i] -= lr * g * W[center_idx][i] - 学习率
lr建议初始设为 0.025，并随训练步数线性衰减
整个过程不调用 NumPy 或 PyTorch，全部用原生 Python 列表与循环实现。虽然效率较低（适合小语料、教学演示），但能清晰暴露词向量如何通过局部共现被“拉近”，以及负采样如何缓解 softmax 归一化的计算瓶颈。关键不是代码多短，而是每一步都对应着 NLP 表征学习的本质动机。
