在机器学习中，嵌入是指将高维 (通常是分类或文本) 数据转换为低维空间中的密集连续向量的过程。这些向量被设计为捕获数据点之间的语义关系，例如推荐系统中的单词、图像或项目。通过以这种方式嵌入数据，机器学习模型可以更轻松地计算相似性、聚类或模式。
嵌入广泛用于各种领域，包括自然语言处理 (NLP)，其中单词或句子被映射到表示其含义的向量。在计算机视觉中，嵌入有助于将图像表示为捕获视觉特征的矢量。目标是将原始的非结构化数据转换为机器学习模型可以轻松处理和解释的形式。
嵌入通常是通过神经网络学习的，神经网络优化向量以保留数据中有意义的关系。经过训练后，这些嵌入可以用于分类、聚类和推荐等下游任务，通过提供丰富的低维数据表示来提高模型的性能。