Трансферно обучение с Word2Vec
Трансферното обучение с Word2Vec използва предварително обучени векторни представяния на думи върху големи текстови корпуси чрез целите Skip-gram или CBOW, въведени от Mikolov et al. (2013), за инициализиране на слоя за вграждане на последващ NLP модел. Този подход прехвърля знания за дистрибутивни семантики към задачи, където маркираните данни са оскъдни, като последователно надминава случайното инициализиране.
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., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. Advances in Neural Information Processing Systems (NIPS), 26, 3111-3119. link ↗
- Kim, Y. (2014). Convolutional Neural Networks for Sentence Classification. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 1746-1751. DOI: 10.3115/v1/D14-1181 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Transfer Learning with Word2Vec Pre-trained Embeddings. ScholarGate. https://scholargate.app/bg/deep-learning/transfer-learning-with-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.
- Фино настроен Word2VecДълбоко обучение↔ compare
- Тематичен модел с ЛДАДълбоко обучение↔ compare
- Рекурентна невронна мрежаДълбоко обучение↔ compare
- Вграждане на изреченияДълбоко обучение↔ compare
- Трансферно обучение с класификация, базирана на BERTДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →