word embedding通过语义向量支撑文本摘要的关键信息提取——它将词映射为含语义的数字向量，使“治疗”“药物”等关联词在空间中靠近，再经平均文档向量、余弦相似度排序与k-means聚类筛选关键词，显著提升摘要准确率。
☞☞☞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☜☜☜
Word Embedding在文本摘要中不是直接生成摘要，而是为关键信息提取提供语义支撑——它把“词”变成有含义的数字向量，让机器能识别哪些词在语义上真正重要、彼此关联紧密。
为什么词向量比词频更适配摘要任务
传统方法（如TF-IDF）只看词出现次数和文档分布，容易把高频但空泛的词（如“进行”“方面”“问题”）误判为关键词。而词向量通过训练捕获语义关系：比如“治疗”“药物”“康复”在向量空间中彼此靠近，“患者”和“医生”的向量夹角小，这种结构天然适合发现主题骨架。
实际操作中，一个医疗摘要文档经word2vec处理后，“胰岛素”“血糖”“糖尿病”会聚成一类，“手术”“切除”“术后”聚成另一类——这种聚类结果比单纯统计更能反映真实内容主线。
用词向量做关键词提取的典型流程
整个过程不依赖人工规则，核心是把语义相似性转化为可计算的距离：
- 对原文分词并过滤停用词（用jieba+自定义停用词表）
- 将每个有效词映射为预训练或自训的词向量（如300维）
- 对文档中所有词向量做平均，得到“文档中心向量”
- 计算每个词向量与文档中心向量的余弦相似度，取Top-N作为候选关键词
- 进一步用K-means对候选词向量聚类，每类选距离簇心最近的1–2个词，避免语义重复（如“提升”“提高”“增强”只留一个）
中文场景需注意的几个实操细节
中文没有天然空格分隔，分词质量直接影响向量效果：
- 优先使用jieba的精准模式，并加入领域词典（如法律文本加“原告”“举证责任”，金融文本加“LPR”“质押式回购”）
- 避免直接用通用词向量（如百度百科训练的word2vec），小领域文档建议在自有语料上微调或重训；若数据少，可用融合字向量的fastText替代
- 单字词（如“癌”“症”“疗”）单独存在时向量不可靠，应强制合并为双字/三字词再向量化
- 代词（“其”“该”“本”）和程度副词（“显著”“明显”“基本”）虽有向量，但摘要中价值低，建议在后处理阶段按规则剔除
它不是万能的，但能补足传统方法的短板
词向量本身不理解句子逻辑或事实真假，也不能处理长程依赖。它最有效的定位是：在已有文本基础上，快速锁定语义密度高的词汇群，为后续的句子排序、重要性打分或图神经网络建模提供高质量输入特征。实践中，把词向量聚类结果与句子位置权重、命名实体频次交叉验证，摘要准确率通常比纯统计方法高12%–18%。
