Přenosové učení s Word2Vec
Přenosové učení s Word2Vec využívá vnoření slov (word embeddings) předtrénovaná na velkých textových korpusech pomocí cílů Skip-gram nebo CBOW, které představili Mikolov et al. (2013), k inicializaci vnořovací vrstvy následného modelu NLP. Tento přístup přenáší distribuční sémantické znalosti na úlohy, kde jsou označená data vzácná, a důsledně překonává náhodnou inicializaci.
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., 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Transfer Learning with Word2Vec Pre-trained Embeddings. ScholarGate. https://scholargate.app/cs/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.
- Jemně doladěný Word2VecHluboké učení↔ compare
- Model témat LDAHluboké učení↔ compare
- Rekurentní neuronová síťHluboké učení↔ compare
- Vektorové reprezentace větHluboké učení↔ compare
- Přenosové učení s klasifikací založenou na BERTuHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →