ScholarGate
Βοηθός
Machine learning

FastText

Το FastText είναι ένα πλαίσιο για διανυσματικές αναπαραστάσεις λέξεων (word embeddings) και ταξινόμηση κειμένου, που αναπτύχθηκε από το Facebook AI Research (Joulin, Bojanowski, Grave, και Mikolov, 2016–2017). Αναπαριστά κάθε λέξη ως το άθροισμα των διανυσμάτων των n-γραμματικών ακολουθιών χαρακτήρων της, επιτρέποντάς του να κατασκευάσει ουσιαστικές αναπαραστάσεις για άγνωστες και μορφολογικά πλούσιες λέξεις, και να επιτύχει ταξινόμηση κειμένου με απόδοση κοντά στην κατάσταση της τέχνης (state-of-the-art), με τάξεις μεγέθους ταχύτερα από εναλλακτικές λύσεις βαθιάς νευρωνικής μάθησης.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Joulin, A., Grave, E., Bojanowski, P. & Mikolov, T. (2017). Bag of Tricks for Efficient Text Classification. In Proceedings of EACL 2017, Short Papers, pp. 427–431. ACL. DOI: 10.18653/v1/e17-2068
  2. Bojanowski, P., Grave, E., Joulin, A. & Mikolov, T. (2017). Enriching Word Vectors with Subword Information. Transactions of the Association for Computational Linguistics, 5, 135–146. DOI: 10.1162/tacl_a_00051
  3. Goldberg, Y. (2017). Neural Network Methods for Natural Language Processing. Morgan & Claypool Publishers. ISBN: 978-1-62705-298-6

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). FastText: Subword-Level Word Embeddings and Efficient Text Classification. ScholarGate. https://scholargate.app/el/deep-learning/fasttext

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.

Compare side by side

Αναφέρεται από

ScholarGateFastText (FastText: Subword-Level Word Embeddings and Efficient Text Classification). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/deep-learning/fasttext · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026