Word2vec
| 此條目翻譯品質不佳。 |
Word2vec是一群用來產生詞向量的相關模型。這些模型為淺层雙層的神經網路，用來訓練以重新建構語言學之詞文本。網路以詞表現，並且需猜測相鄰位置的輸入詞，在word2vec中词袋模型假設下，詞的順序是不重要的。
訓練完成之後，word2vec模型可以把每個詞映射到一個向量，來表示詞与詞之間的關係。該向量為神經網路的隱藏層[1]。
Word2vec依賴skip-grams或連續詞袋（CBOW）來建立神經詞嵌入。Word2vec為托馬斯·米科洛夫（Tomas Mikolov）在Google帶領的研究團隊創造。該演算法漸漸被其他人所分析和解釋[2][3]。
Skip-grams和CBOW 编辑
CBOW把一個詞從詞窗剔除。在CBOW下給定n詞圍繞著詞w，word2vec預測一個句子中其中一個缺漏的詞c，即以機率 來表示。相反地，Skip-gram給定詞窗中的文本，預測當前的詞 。
延伸 编辑
Word2vec用來建構整份文件（而分獨立的詞）的延伸應用已被提出[4]， 該延伸稱為paragraph2vec或doc2vec，並且用C、Python[5][6]和 Java/Scala[7]實做成工具（參考下方）。Java和Python也支援推斷文件嵌入於未觀測的文件。
分析 编辑
對word2vec框架為何做词嵌入如此成功知之甚少，約阿夫·哥德堡（Yoav Goldberg）和歐莫·列維（Omer Levy）指出word2vec的功能導致相似文本擁有相似的嵌入（用余弦相似性計算）並且和約翰·魯伯特·弗斯的分佈假說有關。
實作 编辑
參見 编辑
参考文献 编辑
- ^ Mikolov, Tomas; et al. Efficient Estimation of Word Representations in Vector Space (PDF). [2015-08-14]. （原始内容 (PDF)存档于2022-05-09）.
- ^ Goldberg, Yoav; Levy, Omar. word2vec Explained: Deriving Mikolov et al.’s Negative-Sampling Word-Embedding Method (PDF). [2015-08-14]. （原始内容 (PDF)存档于2022-01-22）.
- ^ Řehůřek, Radim. Word2vec and friends (Youtube video). [2015-08-14]. （原始内容存档于2020-05-22）.
- ^ Le, Quoc; et al. Distributed Representations of Sentences and Documents. (PDF). [2016-02-18]. （原始内容 (PDF)存档于2021-11-23）.
- ^ Doc2Vec tutorial using Gensim. [2015-08-02]. （原始内容存档于2021-01-23）.
- ^ Doc2vec for IMDB sentiment analysis. [2016-02-18]. （原始内容存档于2020-01-07）.
- ^ Doc2Vec and Paragraph Vectors for Classification. [2016-01-13]. （原始内容存档于2015-12-31）.