FastText的子词信息与OOV处理能力
FastText相比于Word2Vec/GloVe的创新之处在于引入了子词信息（subword）。请解释FastText如何利用字符n-gram表示词，这给模型带来了什么能力（尤其是OOV词处理），并以「unexpectedly」为例说明。
回答
我还是少年
核心创新：将每个词表示为字符n-gram（通常3-6 gram）的向量之和 + 整个词的向量。例如「unexpectedly」的3-gram包括「<un」、「une」、「nex」、「xpe」、「pec」、「ect」…「ly>」（<和>为边界符号）。最终词向量为所有n-gram向量之和。优势：1）处理OOV词：即使整个词未在训练中出现，只要部分n-gram出现过，就可组合为合理的词向量；2）学习词形学信息：相似拼写的词共享子词表示（如「walk」、「walking」、「walked」共享「walk」相关的n-gram）；3）对拼写错误更鲁棒。缺点：词向量维度高于Word2Vec（需同时存储n-gram向量），内存占用大。FastText在形态丰富的语言（如德语、土耳其语、芬兰语）上表现显著优于Word2Vec。Facebook开源了预训练的多语言FastText向量。