技术场景下为什么使用one-hot编码而非ASCII或Unicode？

为什么ASCII/Unicode已经可被计算机识别，还要使用one-hot编码？ #

首先要明确：ASCII/Unicode属于字符存储层面的编码，核心作用只是把人类可读的字符映射为整数实现存储，本质是人为约定的映射序号，没有特征计算层面的合理语义。
举个实际例子：汉字「猫」的Unicode编码对应十进制整数29483，「狗」对应29399，「桌」对应26700。如果直接把这些整数作为特征喂给算法模型，模型会默认数值越接近的对象关联性越强，但实际上「猫」和「狗」的语义关联远高于「猫」和「桌」，用原始Unicode数值作为输入会给模型引入完全错误的先验假设。
而one-hot编码会把每个独立离散对象（词汇、分类标签等）转换为仅一位为1、其余位全为0的向量，直接消除了原始序号的数值大小对计算的干扰，是离散特征的合法基础输入格式。 #

one-hot编码无法体现不同词汇之间的相似度，它的优势具体是什么？ #

one-hot的优势非常突出，适合很多场景使用：

• 实现成本极低：不需要复杂预训练，也不需要额外语料支撑，只要完成全量特征的枚举（比如整理好完整词汇表），几行代码就能生成编码，小样本场景、快速验证方案时效率极高
• 无额外偏置：one-hot不会预设不同特征之间的关联关系，比如做文本分类时用它表示标签，不会默认「体育」类和「娱乐」类的关联比「体育」和「财经」近，所有关联关系都留给模型从训练数据中学习，不会引入人为干扰
• 可解释性极强：编码的每一位都对应一个确定的特征取值，只要查看哪一位为1，就能直接定位到对应的词汇/类别，问题排查成本极低
• 兼容性好：几乎所有传统机器学习模型（逻辑回归、决策树、SVM等）以及深度学习基础层，都可以直接处理one-hot格式的输入，不需要额外适配

one-hot编码中存储了哪些特定信息？ #

one-hot编码仅存储离散对象的唯一身份标识信息，它的作用只有一个：标记当前对象属于全量特征枚举集合中的哪一个，不会携带任何语义、属性、关联特征等额外信息。
比如词汇表为["我","爱","中国"]时，「我」对应的one-hot编码是[1,0,0]，「爱」对应的是[0,1,0]，从编码中除了能区分三个不同词汇之外，无法得到任何其他信息。 #

内容的提问来源于stack exchange，提问作者최원석