Machine learningDeep learning / NLP / CV

Sentence Embeddings

Les Sentence Embeddings converteixen una frase o un text curt en un únic vector dens de longitud fixa que captura el seu significat semàntic. Aquests vectors permeten que tasques posteriors —similitud semàntica, clustering, recuperació i classificació— operin sobre representacions numèriques en lloc de text brut, convertint-los en un dels components més versàtils dels pipelines moderns de Processament del Llenguatge Natural (PLN).

Obre a MethodMindAviatVídeoAviatDownload slides

Llegeix el mètode complet

Només per a membres

Inicia la sessió amb un compte gratuït per llegir aquesta secció.

Inicia la sessió

Method map

The neighbourhood of related methods — select a node to explore.

Sentence Embeddings

Classificació basada en…Long Short-Term Memory (…Classificació basada en…Modelatge de temes Classificació basada en…Embeddings de frases ada…Anàlisi de sentiments ad…Word2Vec adaptat al domi…Classificació basada en…Model de tema NMF Explic…

+43 more

Fonts

Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing (EMNLP), 3980–3990. DOI: 10.18653/v1/D19-1410 ↗
Kiros, R., Zhu, Y., Salakhutdinov, R., Zemel, R. S., Torralba, A., Urtasun, R., & Fidler, S. (2015). Skip-Thought Vectors. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗

Com citar aquesta pàgina

ScholarGate. (2026, June 3). Sentence Embeddings (Dense Vector Representations of Sentences). ScholarGate. https://scholargate.app/ca/deep-learning/sentence-embeddings

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.

Classificació basada en BERTAprenentatge profund↔ compare
Long Short-Term Memory (LSTM)Aprenentatge profund↔ compare
Classificació basada en RoBERTaAprenentatge profund↔ compare
Modelatge de temesAprenentatge profund↔ compare

Compare side by side →

Citat per

Classificació basada en BERT Classificació basada en BERT adaptada al domini Embeddings de frases adaptades al domini Anàlisi de sentiments adaptativa al domini Word2Vec adaptat al domini Classificació basada en BERT explicable Model de tema NMF Explicable Preguntes Respostes Explicables Classificació explicable basada en RoBERTa Explainable Sentence Embeddings Anàlisi de sentiment explicable Resum de text explicable Modelització de temes explicable Classificació basada en BERT amb ajustament fi Doc2Vec afinat Model de tema LDA afinat Preguntes Respostes Refinades Classificació basada en RoBERTa amb ajustament fi Embeddings de frases afinades Resum de text amb ajustament fi Modelatge de temes amb ajustament fi Fine-Tuned Word2Vec Model de temes LDA Long Short-Term Memory (LSTM)Multilingual Doc2Vec Vectors de sentències multilingües Anàlisi de Sentiment Multilingüe Resum de text multilingüe Transformer multilingüe Multimodal Doc2Vec Classificació Multimodal basada en RoBERTa Multimodal Transformer Word2Vec Multimodal Model de tema NMF Classificació basada en RoBERTa Model de tema LDA auto-supervisat Incrustacions de frases auto-supervisades Modelatge de temes auto-supervisat Transformer auto-supervisat Model de Tòpics LDA Semi-Supervisat Model de Tòpics NMF Semi-supervisat Representacions vectorials de frases semi-supervisades Word2Vec semi-supervisat Modelatge de temes Aprenentatge per transferència amb classificació basada en BERT Aprenentatge per transferència amb reconeixement d'entitats nomenades Aprenentatge per transferència amb incrustacions de frases Aprenentatge per transferència amb resum de text Aprenentatge per transferència amb modelització de temes Transfer Learning amb Word2Vec LDA supervisada feblement (Weakly Supervised LDA)Embeddings de frases supervisades feblement Word2Vec amb supervisió feble

Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →

Llegeix el mètode complet

Method map

Fonts

Com citar aquesta pàgina

Mètodes relacionats

Which method?

Citat per