Samoučící se Word2Vec
Word2Vec je mělký model neuronové sítě představený Mikolovem et al. (2013), který se učí husté vektorové reprezentace slov z velkých neoznačených textových korpusů pomocí samoučících se cílů. Trénováním modelu k predikci okolních kontextových slov (Skip-gram) nebo cílového slova z jeho kontextu (CBOW) zachycuje bohaté sémantické a syntaktické pravidelnosti v kontinuálním vektorovém prostoru bez jakékoli manuální anotace.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Self-supervised Word2Vec (Skip-gram and CBOW with Self-supervised Objectives). ScholarGate. https://scholargate.app/cs/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.
- FastTextHluboké učení↔ compare
- GloVe EmbeddingsDolování textu↔ compare
- Rekurentní neuronová síťHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →