根据前面的n-gram的介绍，大家都发现光靠统计次数是走不通的，我们需要一个能够脑补，举一反三的方法，而不是死板的查表机器。
神经网络是--“懂得举一反三的聪明人"
神经网络引入了一个划时代的的概念:词向量，它把每一个词变成了一组数字（一个高维空间的坐标）。
神经网络是从统计到语义的理解的飞跃。
比如下面这个例子
N-gram 眼里： “国王”和“女王”是两个完全不同的词，就像“国王”和“桌子”一样，毫无关系。因为字不一样。
神经网络 眼里： 它把每个词变成了一组数字（一个在高维空间里的坐标）。
它发现“国王”的坐标和“女王”的坐标靠得很近（都是统治者、人物、有头衔）。
而“国王”和“桌子”的坐标离得很远。
更神奇的是，它还能学到关系：从“国王”到“男人”的向量，几乎等于从“女王”到“女人”的向量。这就是语义关系的数学表达。
它是如何“举一反三”的？(一个更恰当的例子)
让我们来看一个关于“交通与旅行”的场景：
训练数据里有：
-
-
- “我坐 飞机去北京出差。”
- “他坐 高铁去上海旅游。”
-
考题是：
“一位商人搭乘 轮船前往____。”
N-gram 的反应：
“完蛋，我见过‘坐飞机’、‘坐高铁’，但没见过‘搭乘轮船’这个组合。我更没学过‘前往’后面应该跟哪个城市。这道题我不会，概率为0。”
（它被全新的词语组合卡住了，暴露了数据稀疏和短视的致命伤。）
神经网络的思考过程：
- 理解动词： 它发现“坐”和“搭乘”意思非常接近（都是乘坐交通工具），它们的向量距离很近。
- 理解工具： 它发现“飞机”、“高铁”和“轮船”都属于“长途交通工具”这个类别，它们的向量也聚在一起。
- 理解目的地： 它知道“北京”和“上海”都是中国的特大城市，是常见的商业或旅游目的地。
举一反三： 它推理出：“既然‘坐飞机’可以去‘北京’，那么结构相似、意思相近的‘搭乘轮船’，自然也可以去一个和‘上海’类似的大城市。所以空格里填一个地名，比如‘广州’、‘天津’或‘青岛’，都是非常合理。
总结
- N-gram 时代： 计算机像个只会查表的图书管理员。如果表格里没有这一行，它就回答不了。它的知识是“死”的。
- 神经网络时代： 计算机开始像个有逻辑的学生。即使这道题没做过，它能根据以前学过的知识（词义的相似性和关系），推导出答案。它的知识是“活”的。
这就是从“统计”到“语义理解”的伟大飞跃。神经网络不再仅仅记住“什么词和什么词经常一起出现”，而是真正理解了“这个词是什么意思，它和那个词有什么关系”。
 - 实践)
