Word2Vec auto-supervisionato
Word2Vec è un modello di rete neurale superficiale introdotto da Mikolov et al. (2013) che apprende rappresentazioni vettoriali dense di parole da ampi corpora testuali non etichettati utilizzando obiettivi di auto-supervisione. Addestrando un modello a predire le parole del contesto circostante (Skip-gram) o una parola target dal suo contesto (CBOW), cattura ricche regolarità semantiche e sintattiche nello spazio vettoriale continuo senza alcuna annotazione manuale.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Self-supervised Word2Vec (Skip-gram and CBOW with Self-supervised Objectives). ScholarGate. https://scholargate.app/it/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.
- FastTextApprendimento profondo↔ compare
- Embedding di parole GloVeText mining↔ compare
- Reti neurali ricorrentiApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →