Aprendizagem por Transferência com Word2Vec
A Aprendizagem por Transferência com Word2Vec utiliza embeddings de palavras pré-treinados em grandes corpus de texto através dos objetivos Skip-gram ou CBOW introduzidos por Mikolov et al. (2013) para inicializar a camada de embedding de um modelo de PLN downstream. Esta abordagem transfere conhecimento semântico distribucional para tarefas onde dados rotulados são escassos, superando consistentemente a inicialização aleatória.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. Advances in Neural Information Processing Systems (NIPS), 26, 3111-3119. link ↗
- Kim, Y. (2014). Convolutional Neural Networks for Sentence Classification. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 1746-1751. DOI: 10.3115/v1/D14-1181 ↗
Como citar esta página
ScholarGate. (2026, June 3). Transfer Learning with Word2Vec Pre-trained Embeddings. ScholarGate. https://scholargate.app/pt/deep-learning/transfer-learning-with-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.
- Word2Vec Ajustado por DomínioAprendizado profundo↔ compare
- Modelo de Tópicos LDAAprendizado profundo↔ compare
- Rede Neural RecorrenteAprendizado profundo↔ compare
- Embeddings de SentençasAprendizado profundo↔ compare
- Transfer Learning com Classificação Baseada em BERTAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →