embedding模型是一种将数据映射到低维空间的模型，常用于自然语言处理、推荐系统、图像识别等领域。以下是一些常见的embedding模型：
- Word2Vec：
- CBOW（Continuous Bag-of-Words）：通过上下文预测中心词。
- Skip-Gram：通过中心词预测上下文。
- GloVe（Global Vectors for Word Representation）：结合了词频统计和Word2Vec的优点，通过全局词频信息学习词向量。
- FastText：
- 利用子词信息，通过字符级别的n-gram来表示词。
- BERT（Bidirectional Encoder Representations from Transformers）：
- 利用Transformer的双向编码器，通过预训练来学习语言表示。
- Transformer：通过自注意力机制来学习序列数据的深层次表示。
- ELMO（Embeddings from Language Models）：结合了浅层双向LSTM和预训练的词向量。
- Sentence-BERT（SBERT）：为句子生成embedding，可以用于计算句子之间的相似度。
- Doc2Vec
