[REQUIRES TRANSLATION]
Semi-supervised Word2Vec trenerer tette ordrepresentasjoner på et stort ulabeled korpus ved hjelp av Word2Vec (skip-gram eller CBOW), og bruker deretter disse embeddingene som faste eller finjusterbare inndatafunksjoner for en nedstrømsklassifikator trent på et lite merket datasett. Denne to-trinns prosessen lar modeller dra nytte av rikelig med ulabeled tekst når merket data er knappe.
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 ICLR 2013. link ↗
- Collobert, R., Weston, J., Bottou, L., Karlen, M., Kavukcuoglu, K., & Kuksa, P. (2011). Natural Language Processing (Almost) from Scratch. Journal of Machine Learning Research, 12, 2493–2537. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Semi-supervised Learning with Word2Vec Word Embeddings. ScholarGate. https://scholargate.app/no/deep-learning/semi-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.
- Finjustert Word2VecDyp læring↔ compare
- LDA emnemodellDyp læring↔ compare
- Selv-supervisert Word2VecDyp læring↔ compare
- Semi-supervised BERT-basert klassifiseringDyp læring↔ compare
- SetningsembddingerDyp læring↔ compare
- Overføringslæring med Word2VecDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →