请解释自然语言处理中的词嵌入概念，并列举几种主流的词嵌入实现方法。

回答思路

1. 【回答框架 1】词嵌入是将离散的词语映射为稠密实数向量的技术，使得语义相近的词在向量空间中距离更近。它的核心优势是缓解词袋模型的维度爆炸问题，并捕获词的语义和语法特征。
2. 【回答框架 2】常见的词嵌入方法包括基于统计的方法和基于预测的方法。基于统计的代表有LSA，通过奇异值分解共现矩阵获得低维向量；基于预测的方法以Word2Vec的CBOW和Skip-gram为代表，通过神经网络学习词向量。
3. 【回答框架 3】其他主流方法还包括GloVe，它结合了全局共现统计和局部上下文预测，以及FastText，它将词拆分为子词n-gram，能够更好地处理未登录词和形态丰富的语言。
4. 【回答框架 4】简述这些方法的核心思路后，可以提到词嵌入是预训练语言模型的基础，但相比BERT等动态词向量，传统词嵌入是静态的，一词一向量，无法处理一词多义问题。
5. 【关键点 1】词嵌入将词语映射为稠密实数向量，语义相似的词在向量空间中接近。
6. 【关键点 2】主流方法包括LSA、Word2Vec（CBOW和Skip-gram）、GloVe和FastText。
7. 【关键点 3】Word2Vec利用神经网络预测上下文或目标词来学习词向量。
8. 【关键点 4】GloVe结合共现矩阵的全局统计和局部窗口预测。
9. 【关键点 5】FastText引入子词信息，能处理OOV和词形变化，且训练速度快。
10. 【易错点 1】容易混淆词嵌入与词袋模型，词嵌入是稠密低维向量，词袋是稀疏独热编码。
11. 【易错点 2】切勿将分布式假设解释为绝对的语义等价，词向量反映的是分布相似性而非精确意义。
12. 【易错点 3】Word2Vec的负采样和层序Softmax是训练优化技术，不等于模型结构本身，需分清。