Selv-overvåget Word2Vec
Word2Vec er en overfladisk neural netværksmodel introduceret af Mikolov et al. (2013), der lærer tætte vektorrepræsentationer af ord fra store umærkede tekstkorpora ved hjælp af selv-superviserede mål. Ved at træne en model til at forudsige omgivende kontekstord (Skip-gram) eller et målord ud fra dets kontekst (CBOW), fanger den rige semantiske og syntaktiske regelmæssigheder i kontinuerligt vektorrum uden manuel annotering.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised Word2Vec (Skip-gram and CBOW with Self-supervised Objectives). ScholarGate. https://scholargate.app/da/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.
- FastTextDyb læring↔ compare
- GloVe EmbeddingsTekstmining↔ compare
- Recurrent Neural NetworkDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →