Word2Vec 嵌入和 BERT 嵌入之间有几个关键区别：

1. 训练方式：

   • Word2Vec：Word2Vec 是一个基于神经网络的词嵌入模型，它通过训练一个浅层的神经网络来学习单词的分布式表示。它有两种训练方式：连续词袋模型（CBOW）和Skip-gram 模型，分别通过预测上下文词汇或者预测目标词汇来学习单词嵌入。
   • BERT：BERT 是一种基于 Transformer 架构的预训练语言模型。它通过使用大规模的无标注文本数据来进行预训练，通过掩盖和预测输入句子中的一部分来学习上下文感知的单词嵌入。

2. 上下文感知性：

   • Word2Vec：Word2Vec 嵌入是基于局部窗口上下文的，每个单词的嵌入只考虑了它周围的几个单词，因此它们可能无法捕捉到单词的整体语义和上下文信息。
   • BERT：BERT 嵌入是基于整个句子的上下文来计算的，它能够更好地理解单词在句子中的语义和语境。BERT 使用双向 Transformer 模型来同时考虑一个单词左侧和右侧的上下文信息，因此能够更全面地捕捉单词的含义。

3. 任务特定性：

   • Word2Vec：Word2Vec 嵌入通常用于各种自然语言处理任务的特征表示，例如文本分类、命名实体识别等，但它们通常需要在特定任务上进行微调以获得最佳性能。
   • BERT：BERT 嵌入经过大规模预训练，通常可以直接用于各种下游任务，例如文本分类、命名实体识别、问答等，而且通常不需要太多的微调即可获得很好的性能。

下面是使用 Python 中的 Gensim 库来展示 word2vec 和 Hugging Face Transformers 库来展示 BERT 的示例代码：

Word2Vec 嵌入示例：

# 导入所需的库
from gensim.models import Word2Vec
from gensim.models.keyedvectors import KeyedVectors# 假设有一个句子列表作为训练数据
sentences = [["I", "love", "natural", "language", "processing"],["Word", "embeddings", "are", "useful", "for", "NLP"],["Word2Vec", "is", "a", "popular", "word", "embedding", "technique"]]# 训练 Word2Vec 模型
model = Word2Vec(sentences, vector_size=100, window=5, min_count=1, workers=4)# 获取单词 "word" 的词向量表示
word_vector = model.wv["word"]
print("Word2Vec Embedding for 'word':", word_vector)

BERT 嵌入示例：

# 导入所需的库
from transformers import BertTokenizer, BertModel
import torch# 加载 BERT tokenizer
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')# 假设有一个句子
sentence = "Word embeddings are useful for NLP"# 使用 BERT tokenizer 对句子进行标记化和编码
inputs = tokenizer(sentence, return_tensors="pt", padding=True, truncation=True)# 加载 BERT 模型
model = BertModel.from_pretrained('bert-base-uncased')# 获取 BERT 嵌入
with torch.no_grad():outputs = model(**inputs)# 提取句子中每个 token 的嵌入表示
embeddings = outputs.last_hidden_state
# 提取第一个 token 的嵌入表示（[CLS] 标记）
bert_embedding = embeddings[:, 0, :]
print("BERT Embedding for the sentence:", bert_embedding)

这里，Word2Vec 通过简单的神经网络训练得到词向量，而 BERT 是一个预训练的深度双向 Transformer 模型，在给定任务的基础上进行微调以获得更好的嵌入表示。Word2Vec 产生的向量通常具有相似含义的单词在空间中彼此靠近，而 BERT 的嵌入则更具有上下文感知性，可以更好地捕捉句子中的语义和语境。