上下文嵌入（contextual embedding）和词向量（word embedding）是自然语言处理中两个不同的概念。

  词向量是将单词映射到一个低维度的实数向量表示的技术。这些向量捕捉了单词之间的语义和语法关系。在传统的词向量模型（如Word2Vec、GloVe）中，每个单词都被表示为一个固定的向量，这样相同的单词会有相同的表示，无论其出现在什么上下文中。这种表示方式通常在处理单个单词的任务上表现良好，例如词义消歧和词类标注。

  而上下文嵌入是一种更高级的向量表示方式，它考虑了单词出现在具体上下文中的语境信息。上下文嵌入模型（如ELMo、BERT）将每个单词的表示建模为一个函数，其中上下文中其他单词的信息被用于计算当前单词的向量表示。这种方法使得相同的单词在不同的上下文中可以拥有不同的表示，从而更好地捕捉了单词的多义性和上下文的影响。上下文嵌入在多个自然语言处理任务中表现出色，包括命名实体识别、句法分析和文本分类等。

  因此，词向量和上下文嵌入虽然都是将单词表示为向量，但是词向量是固定的表示，而上下文嵌入则根据上下文的不同动态地生成单词的表示，更能描述单词在不同语境下的含义。