在自然語言處理和文字分析的問題中，詞袋（Bag of Words, BOW）和詞向量（Word Embedding）是兩種最常用的模型。更準確地說，詞向量只能表徵單個詞，如果要表示文字，需要做一些額外的處理。下面就簡單聊一下兩種模型的應用。

所謂BOW，就是將文字/Query看作是一系列詞的集合。由於詞很多，所以咱們就用袋子把它們裝起來，簡稱詞袋。至於為什麼用袋子而不用筐（basket）或者桶（bucket），這咱就不知道了。舉個例子：

                   文字1：蘇寧易購/是/國內/著名/的/B2C/電商/之一

這是一個短文字。“/”作為詞與詞之間的分割。從中我們可以看到這個文字包含“蘇寧易購”，“B2C”，“電商”等詞。換句話說，該文字的的詞袋由“蘇寧易購”，“電商”等詞構成。就像這樣：

但計算機不認識字，只認識數字，那在計算機中怎麼表示詞袋模型呢？其實很簡單，給每個詞一個位置/索引就可以了。例如，我們令“蘇寧易購”的索引為0，“電商”的索引為1，其他以此類推。則該文字的詞袋就變成了：

是的，詞袋變成了一串數字的（索引）的集合。這樣計算機就能讀懂了。如果用程式來描述的話，就會像：Set<int>(0,1,2…)。當然，剛才的例子中像“蘇寧易購”等詞只出現了一次，如果出現多次，可能就需要支援重複元素的容器了，如Java/C++中的MultiSet。

可是，在實際的應用中（如：文字的相似度計算），用剛才說的容器是非常不方便的（如果要用，需要額外用Map容器來儲存一本字典來表徵詞和索引的對映關係）。因此我們考慮用更簡單的資料結構來組織詞袋模型。既然剛才說詞是用數字（索引）來表示的，那自然我們會想到陣列。例如：

         Intwords[10000] = {1,20,500,0,……}

                                     索引:{0,1,2,3,……}

                                     詞:   {蘇寧易購,是,國內,B2C,……}

陣列的下標表示不同的詞，陣列中的元素表示詞的權重（如：TF，TF-IDF）。更為一般的，詞的索引可以用詞的HashCode來計算，即：Index(蘇寧易購) = HashCode(蘇寧易購)。將詞雜湊到陣列的某個位置，並且是固定的（理論上會有衝突，需要考慮衝突的問題）。因此，HashCode這個函式起到了字典的作用。轉化成了陣列，接下來計算餘弦相似度啥的就好辦多了。這就是詞袋模型。