嵌入是数据的数值表示，可以捕获有意义的关系和模式，使机器能够更有效地处理复杂信息。 在实践中，嵌入将高维数据（如文本、图像或用户行为）转换为密集的、低维向量。 这些向量将语义相似的项目放置在向量空间中更靠近的位置。 例如，具有相关含义的单词（例如，“猫”和“狗”）或相同对象类的图像（例如，汽车）被分配在几何上彼此靠近的向量。 这使得嵌入对于理解相似性或上下文至关重要的任务特别有用。
一个常见的应用是在自然语言处理 (NLP) 中。 像 Word2Vec 或 GloVE 这样的词嵌入将单词转换为向量，允许模型解释同义词或类比等关系（例如，“国王 - 男人 + 女人 ≈ 女王”）。 类似地，句子或文档嵌入（例如，使用 BERT 或通用句子编码器）可以比较整个文本块，以用于文档聚类或语义搜索等任务。 除了文本之外，嵌入还用于推荐系统中：用户和项目嵌入（例如，协同过滤中的嵌入）编码偏好和产品功能，帮助识别用户可能喜欢的基于相似用户的行为的项目。
嵌入在搜索和检索系统中也起着关键作用。 例如，在图像搜索中，卷积神经网络 (CNN) 生成的嵌入可以通过比较向量距离来查找视觉上相似的图像。 在结构化数据中，嵌入可以以捕获潜在关系的方式表示分类变量（例如，产品 ID），从而提高欺诈检测等任务中的模型性能。 开发人员经常利用预训练的嵌入（例如，来自 OpenAI 的 API）来节省计算资源，但可以为特定领域的需要（例如，医学文本分析）训练自定义嵌入。 通过将原始数据转换为计算效率高的格式，嵌入弥合了人类可理解的信息和机器学习模型之间的差距。