Word2vec
| 此条目翻译品质不佳。 |
Word2vec是一群用来产生词向量的相关模型。这些模型为浅层双层的神经网络，用来训练以重新建构语言学之词文本。网络以词表现，并且需猜测相邻位置的输入词，在word2vec中词袋模型假设下，词的顺序是不重要的。
训练完成之后，word2vec模型可以把每个词映射到一个向量，来表示词与词之间的关系。该向量为神经网络的隐藏层[1]。
Word2vec依赖skip-grams或连续词袋（CBOW）来建立神经词嵌入。Word2vec为托马斯·米科洛夫（Tomas Mikolov）在Google带领的研究团队创造。该算法渐渐被其他人所分析和解释[2][3]。
Skip-grams和CBOW 编辑
CBOW把一个词从词窗剔除。在CBOW下给定n词围绕着词w，word2vec预测一个句子中其中一个缺漏的词c，即以几率 来表示。相反地，Skip-gram给定词窗中的文本，预测当前的词 。
延伸 编辑
Word2vec用来建构整份文件（而分独立的词）的延伸应用已被提出[4]， 该延伸称为paragraph2vec或doc2vec，并且用C、Python[5][6]和 Java/Scala[7]实做成工具（参考下方）。Java和Python也支援推断文件嵌入于未观测的文件。
分析 编辑
对word2vec框架为何做词嵌入如此成功知之甚少，约阿夫·哥德堡（Yoav Goldberg）和欧莫·列维（Omer Levy）指出word2vec的功能导致相似文本拥有相似的嵌入（用余弦相似性计算）并且和约翰·鲁伯特·弗斯的分布假说有关。
实作 编辑
参见 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）.