Мультимодальный Word2Vec
Мультимодальный Word2Vec расширяет классическую структуру Word2Vec, основывая представления слов не только на статистике распределения текста, но и на перцептивных сигналах — как правило, признаках изображений. В результате получаются векторные представления слов, которые улавливают как лингвистические паттерны совместной встречаемости, так и визуальный смысл, что позволяет более точно оценивать семантическую близость и улучшает производительность в задачах на уровне концепций, где чисто текстовые вложения оказываются недостаточными.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Bruni, E., Tran, N.-K., & Baroni, M. (2014). Multimodal Distributional Semantics. Journal of Artificial Intelligence Research, 49, 1–47. DOI: 10.1613/jair.4135 ↗
- Mikolov, T., Sutskever, I., Chen, K., Corrado, G., & Dean, J. (2013). Distributed Representations of Words and Phrases and their Compositionality. Advances in Neural Information Processing Systems (NIPS), 26. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Multimodal Word2Vec (Cross-Modal Distributional Semantics). ScholarGate. https://scholargate.app/ru/deep-learning/multimodal-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.
- Мультимодальная классификация на основе BERTГлубокое обучение↔ compare
- Мультимодальный Doc2VecГлубокое обучение↔ compare
- Мультимодальные вложения предложенийГлубокое обучение↔ compare
- Мультимодальный трансформерГлубокое обучение↔ compare
- Векторные представления предложенийГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →