Feature：特征，最早传统 ML 的说法。

Representation：DL 之后，表示都是学出来的。

Embedding：降维的说法，指把一个高维数据嵌入到低维空间里（想象把一个三维点压扁到一个二维平面里，就像把数据点嵌入进去一样）。

在 DL 的语境下，三个意思都差不多。Representation 和 Embedding 是包含关系，Representation 包含 Embedding。有些 Representation 可能是稀疏的，例如在 NLP 里，如果用 tfidf 来表示文本，Representation 里可能包含很多 0，维度很大。此时对应的是通过 DL 的模型来学习到的一个稠密的 Representation，在一个相对小很多的维度里就能把文本表示了。这种稠密的表征也就叫做 Embedding。

在 CV 里，最早把所有学到的表征都叫做 Representation。”deep learning is representation learning.“ - kaiming。

Representation 更加强调学习机制（背后的 nn）。Embedding 是 Representation 的结果，强调它的功能；即数据被映射到高维空间的结果。而 Embedding 又被用作 Features，比如一层的 embedding 结果传到下一层，不去强调数据映射，只是跟任何高纬度数据一样处理，就是 Features。