# Word2Vec词嵌入的概念演示
import numpy as np

print("=" * 50)
print("词嵌入（Word Embedding）概念演示")
print("=" * 50)
print()

# 假设这些是用Word2Vec等方法训练出来的词向量（简化版，3维）
# 实际中向量通常是50/100/300维
word_vectors = {
    "猫":   np.array([0.9, 0.1, 0.2]),    # 动物属性高，其他低
    "狗":   np.array([0.8, 0.3, 0.1]),    # 动物属性高
    "小猫": np.array([0.85, 0.2, 0.15]),  # 小动物，也像猫
    "苹果": np.array([0.1, 0.2, 0.9]),   # 水果属性高
    "香蕉": np.array([0.1, 0.1, 0.85]),   # 水果属性高
    "Python": np.array([0.1, 0.0, 0.9]),  # 编程语言
    "Java": np.array([0.1, 0.0, 0.85]),   # 编程语言
}

print("词向量（简化版3维）示意：")
print("维度含义: [动物性, 植物性, 其他/技术性]")
print()
for word, vec in word_vectors.items():
    print(f"  {word}: {vec}")
print()

# 计算相似度
print("语义相似度：")
print(f"  猫 vs 狗:   {cosine_similarity(word_vectors['猫'], word_vectors['狗']):.3f}")
print(f"  猫 vs 小猫: {cosine_similarity(word_vectors['猫'], word_vectors['小猫']):.3f}")
print(f"  猫 vs 苹果: {cosine_similarity(word_vectors['猫'], word_vectors['苹果']):.3f}")
print(f"  苹果 vs 香蕉: {cosine_similarity(word_vectors['苹果'], word_vectors['香蕉']):.3f}")
print(f"  Python vs Java: {cosine_similarity(word_vectors['Python'], word_vectors['Java']):.3f}")
print()
print("词嵌入的优势：")
print("  - 语义相似的词，向量也相似")
print("  - 可以做类比推理：国王-男人+女人=女王")