Самообучаващ се Word2Vec
Word2Vec е плитък модел на невронна мрежа, представен от Mikolov et al. (2013), който научава плътни векторни представяния на думи от големи нетагирани текстови корпуси, използвайки самообучаващи се цели. Чрез обучение на модел да предсказва околни контекстуални думи (Skip-gram) или целева дума от нейния контекст (CBOW), той улавя богати семантични и синтактични закономерности в непрекъснато векторно пространство без ръчно анотиране.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. In Proceedings of the International Conference on Learning Representations (ICLR 2013). link ↗
- Mikolov, T., Sutskever, I., Chen, K., Corrado, G., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. In Advances in Neural Information Processing Systems (NeurIPS 2013), 26. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Self-supervised Word2Vec (Skip-gram and CBOW with Self-supervised Objectives). ScholarGate. https://scholargate.app/bg/deep-learning/self-supervised-word2vec
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- FastTextДълбоко обучение↔ compare
- GloVe EmbeddingsИзвличане на текст↔ compare
- Рекурентна невронна мрежаДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →