方案实施步骤：在翻译单词wave时，如果它的其他关键词里面，含有场景关联单词，便把单词翻译成和场景关联单词对应的中文。比如：在图片的关键词中出现了wave，同时它还有其他关键词比如：沙滩或者大海或者游泳，有理由把wave翻译成海浪而不是挥手。
优点：
设计方案原理简单、易于理解。
方案使用容易，只要准备好规则表单，在翻译时简单查询一下即可。
缺点：
准备工作工程浩大，整理好一个涵盖常见中英文的规则表单需要耗费很大的人力。
准确度不高，待翻译英文的场景关联单词数量是巨大的，从中筛选满足翻译需求的单词并不简单，比如，关联单词太少导致图片的标签里面都没有出现，太多导致关联单词同时出现。
方案2：Word2Vec
方案 2 ，原理和方案 1 类似，是在方案 1 的基础上，进一步的扩展和量化，还是使用图片的其他的所有关键词来建立一个语义场景，决定英文单词的翻译方向， 不过这里我们把每个单词所处的语义场景转化成浮点数向量来表示，使得该方案更容易实施，也具有更高的准确度。这里的单词语义场景向浮点数向量的转换，采用开源的机器学习模型：Word2Vec，Word2Vec 是用于处理文本的双层神经网络，它的输入是文本语料，比如：人民日报所有文章、头条上的搜索媒体文章，输出则是一组向量，这些语料代表一个庞大的语义环境，而在这个语义环境里面，每个单词都有一个属于自己的空间位置，而这个位置便用一组向量来标示。其中动物和猴子的向量的相似度，是要比动物和桌子的相识度要高的。
下面展示了用头条的文章语料训练出来的，单词“偏爱”和“卓越”的浮点数向量，该向量便分别代表了它们在该语料环境下所处的位置。
计算两个单词在这个语境下的距离，这里采用的相似度度量为余弦相似度（Cosine Similarity）含义如下：
下面计算余弦相似度的python代码实现，可以用原始的math库实现，或者numpy库实现：
