ใน การเรียนรู้ ของเครื่องการฝังข้อมูลเป็น เทคนิค การเรียนรู้การแสดงผลที่แมปข้อมูลที่ซับซ้อนและมีมิติสูงไปยังพื้นที่เวกเตอร์ ที่มีมิติต่ำกว่า ของเวกเตอร์ตัวเลข^{[ 1 ]}

นอกจากนี้ยังหมายถึงการแสดงผลที่ได้ผลลัพธ์ซึ่งรูปแบบหรือความสัมพันธ์ที่มีความหมายจะได้รับการรักษาไว้ ในฐานะเทคนิค มันเรียนรู้เวกเตอร์เหล่านี้จากข้อมูลเช่นคำ รูปภาพ หรือการโต้ตอบของผู้ใช้ ซึ่งแตกต่างจากวิธีการที่ออกแบบด้วยตนเอง เช่นการเข้ารหัสแบบวันฮอต^{[ 2 ]}กระบวนการนี้ช่วยลดความซับซ้อนและจับคุณลักษณะสำคัญโดยไม่จำเป็นต้องมีความรู้เกี่ยวกับโดเมนมาก่อน

ในการประมวลผลภาษาธรรมชาติคำหรือแนวคิดอาจถูกแทนด้วยเวกเตอร์คุณลักษณะโดยที่แนวคิดที่คล้ายกันจะถูกแมปไปยังเวกเตอร์ที่อยู่ใกล้เคียง การฝังที่ได้จะแตกต่างกันไปตามประเภท รวมถึงการฝังคำสำหรับข้อความ (เช่นWord2Vec ) การฝังภาพสำหรับข้อมูลภาพ และการฝังกราฟความรู้สำหรับกราฟความรู้ซึ่งแต่ละแบบได้รับการปรับแต่งให้เหมาะกับงานต่างๆ เช่น NLP คอมพิวเตอร์วิชั่นหรือระบบแนะนำ [ ^{3 ] บทบาท}คู่ขนานนี้ช่วยเพิ่มประสิทธิภาพและความแม่นยำของโมเดลโดยการทำให้การสกัดคุณลักษณะเป็นไปโดยอัตโนมัติและเปิดเผยความคล้ายคลึงที่แฝงอยู่ในการใช้งานที่หลากหลาย

ในการวัดระยะห่างระหว่างการฝังข้อมูลสองรายการ สามารถใช้ การวัดความคล้ายคลึงกันเพื่อหาความคล้ายคลึงกันโดยรวมของแนวคิดที่แสดงโดยการฝังข้อมูล หากเวกเตอร์ได้รับการทำให้เป็นมาตรฐานให้มีขนาดเท่ากับ 1 การวัดความคล้ายคลึงกันจะเป็นสัดส่วนกับ^{[ 4 ]}${\displaystyle \cos \left(\theta _{ab}\right)}$

การวัดความคล้ายคลึง

ชื่อ	ความหมาย	สูตร	สูตร (สเกลาร์)	ความสัมพันธ์ความคล้ายคลึง
ระยะทางแบบยูคลิด	ระยะห่างระหว่างปลายของเวกเตอร์	${\displaystyle |ab|}$	${\displaystyle {\sqrt {\sum \left(a_{n}-b_{n}\right)^{2}}}}$	ความสัมพันธ์เชิงลบ
ความคล้ายคลึงโคไซน์	โคไซน์ของมุมระหว่างเวกเตอร์${\displaystyle \theta }$	${\displaystyle {\frac {a\cdot b}{|a|b|}}}$	${\displaystyle {\frac {\sum a_{n}b_{n}}{\sqrt {\left(\sum a_{n}^{2}\right)\left(\sum b_{n}^{2}\right)}}}}$	ความสัมพันธ์เชิงบวก
ผลิตภัณฑ์ดอท	ค่าความคล้ายคลึงโคไซน์คูณด้วยความยาวของเวกเตอร์ทั้งสอง	${\displaystyle a\cdot b}$	${\displaystyle \sum a_{n}b_{n}}$	ความสัมพันธ์เชิงบวก

ความคล้ายคลึงแบบโคไซน์ไม่คำนึงถึงขนาดของเวกเตอร์เมื่อพิจารณาความคล้ายคลึง ดังนั้นจึงมีอคติน้อยกว่าต่อข้อมูลการฝึกอบรมที่ปรากฏบ่อยมาก ผลคูณดอทจะรวมขนาดไว้โดยธรรมชาติ ดังนั้นจึงมีแนวโน้มที่จะให้คุณค่ากับข้อมูลที่เป็นที่นิยมมากกว่า^{[ 4 ]}โดยทั่วไป สำหรับปริภูมิเวกเตอร์มิติสูง เวกเตอร์มักจะลู่เข้าหากันในระยะทาง ดังนั้นระยะทางแบบยุคลิดจึงมีความน่าเชื่อถือน้อยลงสำหรับเวกเตอร์ฝังตัวขนาดใหญ่^{[ 5 ]}

• พื้นที่แฝง
• การสกัดคุณลักษณะ
• การลดมิติ
• การฝังคำ
• เครือข่ายประสาทเทียม
• การเรียนรู้แบบเสริมแรง