Auto-apprentissage avec Word2Vec
Word2Vec est un modèle de réseau neuronal peu profond introduit par Mikolov et al. (2013) qui apprend des représentations vectorielles denses de mots à partir de grands corpus de textes non étiquetés, en utilisant des objectifs d'auto-apprentissage. En entraînant un modèle à prédire les mots du contexte environnant (Skip-gram) ou un mot cible à partir de son contexte (CBOW), il capture de riches régularités sémantiques et syntaxiques dans un espace vectoriel continu, sans aucune annotation manuelle.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Word2Vec (Skip-gram and CBOW with Self-supervised Objectives). ScholarGate. https://scholargate.app/fr/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.
- FastTextApprentissage profond↔ compare
- GloVeFouille de textes↔ compare
- Réseau de neurones récurrentApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →