Selv-supervisert Word2Vec
Word2Vec er en grunn nevral nettverksmodell introdusert av Mikolov et al. (2013) som lærer tette vektorrepresentasjoner av ord fra store umerkede tekstkorpus ved hjelp av selv-superviserte mål. Ved å trene en modell til å predikere omkringliggende kontekstord (Skip-gram) eller et målord fra dets kontekst (CBOW), fanger den rike semantiske og syntaktiske regulariteter i kontinuerlig vektorrom uten manuell annotering.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Self-supervised Word2Vec (Skip-gram and CBOW with Self-supervised Objectives). ScholarGate. https://scholargate.app/no/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.
- FastTextDyp læring↔ compare
- GloVe-innleiringerTekstutvinning↔ compare
- Residuelle nevrale nettverkDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →