Трансферное обучение с Word2Vec
Трансферное обучение с Word2Vec использует предварительно обученные на больших текстовых корпусах векторные представления слов (word embeddings) с помощью целевых функций Skip-gram или CBOW, представленных Миколовым и др. (2013), для инициализации слоя вложений (embedding layer) нижестоящей модели обработки естественного языка (NLP). Этот подход переносит знания о распределительных семантических отношениях на задачи с дефицитом размеченных данных, последовательно превосходя случайную инициализацию.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Transfer Learning with Word2Vec Pre-trained Embeddings. ScholarGate. https://scholargate.app/ru/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.
- Fine-Tuned Word2VecГлубокое обучение↔ compare
- Тематическая модель LDAГлубокое обучение↔ compare
- Рекуррентная нейронная сетьГлубокое обучение↔ compare
- Векторные представления предложенийГлубокое обучение↔ compare
- Трансферное обучение с классификацией на основе BERTГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →