算了，落後太多都不好意思說自己是搞大資料的了，最近被專案纏身都沒有好好進修技術，有時候做出工作成績與保持飢餓學習狀態不應該成為矛盾，至此，加油！

自然語言理解的問題要轉化為機器學習的問題，第一步肯定是要找一種方法把這些符號數學化。詞向量就是用來將語言中的詞進行數學化的一種方式。

一種最簡單的詞向量方式是 one-hot representation，就是用一個很長的向量來表示一個詞，向量的長度為詞典的大小，向量的分量只有一個 1，其他全為 0， 1 的位置對應該詞在詞典中的位置。但這種詞表示有兩個缺點：（1）容易受維數災難的困擾，尤其是將其用於 Deep Learning 的一些演算法時；（2）不能很好地刻畫詞與詞之間的相似性（術語好像叫做“詞彙鴻溝”）。

另一種就是你提到 Distributed Representation 這種表示，它最早是 Hinton 於 1986 年提出的，可以克服 one-hot representation 的缺點。其基本想法是：
通過訓練將某種語言中的每一個詞對映成一個固定長度的短向量（當然這裡的“短”是相對於 one-hot representation 的“長”而言的），將所有這些向量放在一起形成一個詞向量空間，而每一向量則為該空間中的一個點，在這個空間上引入“距離”，則可以根據詞之間的距離來判斷它們之間的（詞法、語義上的）相似性了。

一種生成詞向量的途徑是利用神經網路演算法。
統計共同出現的次數（LDA，一種貝葉斯概率模型）。
根據相似的上下文（word2vec，即NN）。

詞向量後期可以怎麼使用呢？