Vectorización
Sinónimos: Vectorization
Definición ampliada
La vectorización, o vectorization, convierte texto, imágenes u otros datos en vectores: listas ordenadas de valores numéricos. Aquí se usa en el sentido de representación de datos para aprendizaje automático; no en el de acelerar cálculos mediante operaciones vectoriales del procesador.
En texto, una bolsa de palabras cuenta términos y TF-IDF pondera su frecuencia según lo comunes que sean en la colección [1]. Vectorización es el proceso; los embeddings son representaciones densas aprendidas que pueden resultar de él [2]. Los vectores de conteos o TF-IDF también son vectorización y no equivalen a esos embeddings.
Contexto histórico
El modelo de espacio vectorial de Salton, Wong y Yang, publicado en 1975, es un antecedente de la representación y comparación de documentos mediante vectores [3]. En 2013, word2vec contribuyó a popularizar representaciones aprendidas de palabras [2]. Son formas distintas de representar datos, no el nacimiento de un mismo método.
Importancia actual
A fecha de septiembre de 2026, elegir cómo vectorizar sigue siendo una decisión sobre qué información conserva el modelo. Una representación simple puede ser suficiente; una más compleja debe justificar su coste con evaluación.
Aplicaciones
Generales
- Convertir documentos en entradas para aprendizaje supervisado.
- Comparar textos o construir buscadores.
- Representar características extraídas de imágenes.
Sanitarias
En el procesamiento del lenguaje natural clínico, permite preparar notas para tareas delimitadas, como asignar etiquetas o recuperar documentos. La representación debe conservar la información relevante: negaciones, temporalidad y abreviaturas pueden cambiar el significado de una nota.
Limitaciones
- Una bolsa de palabras simple pierde el orden y parte del contexto [1].
- El vocabulario y las ponderaciones aprendidas deben ajustarse solo con los datos de entrenamiento para evitar filtraciones hacia la evaluación.
- Las representaciones densas pueden reproducir sesgos y no garantizan que la proximidad entre vectores corresponda al significado clínico buscado.
- Convertir datos en números no los anonimiza.
Ejemplos
Ejemplo construido: «dolor sin fiebre» y «fiebre sin dolor» tienen los mismos conteos en una bolsa de palabras simple. Producen el mismo vector aunque las negaciones afectan a síntomas distintos. La pérdida depende de la representación elegida, no de que el texto carezca de esa información.