我发现现有的答案非常具有误导性。

词向量（又名词嵌入）是来自概率语言模型的概念（参见 [1]）。它描述了语言模型中单词之间的上下文相似性，并在VSM提出并成功应用于文本分类、文档摘要和信息检索的几十年后出现。

在向量空间模型中（参见 [2]），在 n 维空间中不是单词/词项被表示为向量，而是document。VSM 被构造为对于每个不同的一元词/术语具有单独的维度，存在于从文档集合中的所有 BOW 聚合的术语集合中。换句话说，在 VSM 中：不同的术语变成了维度，而不是词向量。文档是 VSM 中的向量，位于每个对应维度的相关术语权重处。

Bag-of-words (BOW)，作为 IR 中的文档表示方法，不允许同一个单词的多个实例 - 但表示不同单词的无序列表，与它们在文档中的频率相关联（参见 [3]）。

[1] Y. Bengio, R. Ducharme, P. Vincent, C. Janvin，神经概率语言模型，J. Mach。学。水库。3 (2003) 1137–1155。doi:10.1162/153244303322533223。

[2] G. Salton、A. Wong、C. Yang S.，用于自动索引的向量空间模型，Commun。ACM。18 (1975) 613–620。doi:10.1145/361219.361220。

[3] G. Salton，CS YANG，关于自动索引中术语值的规范，J. Doc。29 (1973) 351–372。doi:10.1108/eb026562。

请注意，单词“bag”表示多重集，即它允许每个单词有多个实例。因此：

• Bag of words表示文档中每个单词的计数。例如，在朴素贝叶斯中使用了这个简单的模型
• 词向量概括了词袋为文档中的每个词分配排名的想法。通常是出现次数，但也可以是另一个排名，例如 TF-IDF

请注意，文档术语矩阵 (DTM) 中的每一行都对应一个词向量。