Semi-supervised Word2Vec
Semi-supervised Word2Vec træner tætte ordrepræsentationer på et stort umærket korpus ved hjælp af Word2Vec (skip-gram eller CBOW), og bruger derefter disse embeddings som faste eller finjusterbare input-features til en downstream-klassifikator trænet på et lille mærket datasæt. Denne to-trins proces lader modeller drage fordel af rigelig umærket tekst, når mærkede data er knappe.
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 ICLR 2013. link ↗
- Collobert, R., Weston, J., Bottou, L., Karlen, M., Kavukcuoglu, K., & Kuksa, P. (2011). Natural Language Processing (Almost) from Scratch. Journal of Machine Learning Research, 12, 2493–2537. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Learning with Word2Vec Word Embeddings. ScholarGate. https://scholargate.app/da/deep-learning/semi-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.
- Finjusteret Word2VecDyb læring↔ compare
- LDA Emne-modelDyb læring↔ compare
- Selv-overvåget Word2VecDyb læring↔ compare
- Semi-overvåget BERT-baseret KlassifikationDyb læring↔ compare
- SætningsindlejringerDyb læring↔ compare
- Overførsel af læring med Word2VecDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →