Zelf-gesuperviseerd Word2Vec
Word2Vec is een ondiep neuraal netwerkmodel, geïntroduceerd door Mikolov et al. (2013), dat dichte vectorrepresentaties van woorden leert uit grote, ongelabelde tekstcorpora met behulp van zelf-gesuperviseerde doelen. Door een model te trainen om omringende contextwoorden te voorspellen (Skip-gram) of een doelwoord uit zijn context (CBOW), vangt het rijke semantische en syntactische regulariteiten in continue vectorruimte op, zonder enige handmatige annotatie.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Word2Vec (Skip-gram and CBOW with Self-supervised Objectives). ScholarGate. https://scholargate.app/nl/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
- Recurrent Neuraal NetwerkDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →