Aprendizaje por transferencia con Word2Vec
Transfer Learning con Word2Vec utiliza incrustaciones de palabras preentrenadas en grandes corpus de texto a través de los objetivos Skip-gram o CBOW introducidos por Mikolov et al. (2013) para inicializar la capa de incrustación de un modelo de PLN posterior. Este enfoque transfiere conocimiento semántico distribucional a tareas donde los datos etiquetados son escasos, superando consistentemente a la inicialización aleatoria.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Transfer Learning with Word2Vec Pre-trained Embeddings. ScholarGate. https://scholargate.app/es/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.
- Word2Vec AjustadoAprendizaje profundo↔ compare
- Modelo de Tópicos LDAAprendizaje profundo↔ compare
- Red Neuronal RecurrenteAprendizaje profundo↔ compare
- Incrutaciones de oracionesAprendizaje profundo↔ compare
- Aprendizaje por transferencia con clasificación basada en BERTAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →