“非结构化数据的嵌入是通过将原始数据（如文本、图像或音频）转换为机器学习算法易于处理的数值格式的过程生成的。这一转变使数据能够表示为连续向量空间中的向量，类似的项彼此更靠近。例如，在自然语言处理（NLP）中，单词或句子被转换为固定长度的向量，以捕捉它们的意义和关系。像Word2Vec、GloVe或句子变换器（Sentence Transformers）这样的技术通常用于文本数据，而卷积神经网络（CNN）则可应用于图像。
嵌入的生成通常涉及对大数据集进行模型训练。对于文本，可以使用基于上下文的方法，模型根据句子中单词的周围上下文来学习单词之间的关系。例如，Word2Vec使用Skip-Gram和连续词袋（Continuous Bag of Words）两种方法根据单词的邻近关系预测其。结果是，出现在类似上下文中的单词将具有相似的向量表示。对于图像，CNN可以在标记数据上训练，以提取捕捉重要视觉信息的特征，然后可以用于创建嵌入。
一旦生成了嵌入，它们可以用于各种任务，如分类、聚类或推荐系统。例如，在文本分类任务中，嵌入可以作为分类器的输入特征，预测给定文本片段的类别。同样，在图像识别中，嵌入可以帮助比较和组织图像，以便根据视觉相似性进行分类。总体而言，生成嵌入将非结构化数据转化为更易管理的形式，提高了机器学习模型学习和做出预测的能力。”