Selbstüberwachtes Word2Vec
Word2Vec ist ein von Mikolov et al. (2013) eingeführtes flaches neuronales Netzwerkmodell, das dichte Vektorrepräsentationen von Wörtern aus großen unbeschrifteten Textkorpora mithilfe selbstüberwachter Ziele lernt. Durch das Trainieren eines Modells zur Vorhersage von umgebenden Kontextwörtern (Skip-gram) oder eines Zielworts aus seinem Kontext (CBOW) erfasst es reiche semantische und syntaktische Regelmäßigkeiten in einem kontinuierlichen Vektorraum ohne manuelle Annotation.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Word2Vec (Skip-gram and CBOW with Self-supervised Objectives). ScholarGate. https://scholargate.app/de/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.
- FastTextDeep Learning↔ compare
- GloVe EmbeddingsText Mining↔ compare
- Rekurrentes neuronales NetzDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →