word2vec 本來就是用來解決自然語言處理問題的，它在 NLP 中的應用是顯然的。

比如，你可以直接用它來尋找相關詞、發現新詞、命名實體識別、資訊索引、情感分析等；你也可以將詞向量作為其他模型的輸入，用於諸如文字分類、聚類等各種自然語言處理問題。

事實上，word2vec 的思想和工具，還可以應用於自然語言處理之外的其他領域。一個詞，無非就是個符號；句子是詞的序列，無非也就是個符號序列。如果我們能夠在其他的應用場景中，構造出一些符號，還有這些符號形成的序列，那我們就可以試一把 word2vec。

下面是，根據網路上的資料，整理的 word2vec 在自然語言處理領域之外的一些應用。

【社交網路】

應用場景：在社交網路中，給當前使用者推薦 他/她 可能關注的大V

對映關係：每一個大V 就是一個詞；將每個使用者關注的大V，按照關注的順序排列，形成文章

【App 商店】

應用場景：App 商店中，向用戶推薦感興趣的 App

對映關係：每個 App 就是一個詞；將每個使用者下載的 App，按照下載的順序排列，形成文章

【廣告系統】

應用場景：廣告主在媒體網站上打廣告，媒體網站提供一個後臺管理系統，可以讓廣告主自行決定要將廣告推薦給哪些目標人群。

對映關係：每一個頁面就是一個詞；將每個使用者瀏覽的頁面，按照瀏覽的順序排列，形成文章。

這樣，根據訓練後的詞向量，就可以計算出頁面之間的相關程度。

那目標使用者怎麼計算呢？瀏覽與廣告主的廣告頁 相關的頁面 的使用者 就是廣告主潛在的 目標使用者。把這些使用者推薦給廣告主就可以了。

應用場景：廣告系統中廣告主上線了一支新廣告，如何估算使用者對新廣告的 CTR（Click-Through-Rate），即點選通過率。

對映關係：和上面給廣告主推薦目標使用者一樣的做法，可以計算出每個廣告頁對應的向量

然後，對這些廣告頁做一個聚類，把相似的廣告頁聚在一個簇中。用新廣告所在簇的 CTR 來近似新廣告的 CTR。

【向量快速檢索】

綜合以上各種應用，將各種文件轉換成向量之後，常見一個基本操作就是輸入一個文件（對應的向量），尋找和它最相關的 top k 個文件（對應的向量）。如果要所有文件都比對一遍的話，那時間複雜度就是 O(n)。這在實際的工程應用中就太慢了。因此，需要藉助 redis，或者引入 kd-tree, simhash, 聚類等演算法來加速檢索。

參考：