NLP中的词嵌入（Word Embedding）是指将文本中的词语映射为实数向量的一种技术。它的主要目的是将自然语言中的离散符号（单词）映射到连续的、低维的向量空间中，使得计算机可以更好地处理和理解自然语言。

  传统的文本处理方法常常将单词视为离散符号，无法捕捉到单词之间的语义、上下文关系和相似性。相比之下，词嵌入将单词表示为一个密集向量，可以更好地捕捉到单词之间的关系。

  有多种方法可以得到词嵌入，其中一种常用的方法是基于预训练的词向量模型，如Word2Vec、GloVe和FastText等。这些模型在大规模文本语料库上进行训练，通过学习单词在上下文中的分布来生成词向量。另外，还可以使用深度学习方法，如循环神经网络（RNN）或卷积神经网络（CNN），将单词嵌入到连续的向量空间中。

  词嵌入在NLP中有广泛的应用，例如语义相似度计算、文本分类、命名实体识别、机器翻译等任务。通过使用词嵌入，我们可以更好地处理自然语言文本，提取有用的语义信息，并提高NLP任务的性能。