Samoučiaci sa Word2Vec
Word2Vec je plytký model neurónovej siete, ktorý predstavili Mikolov et al. (2013) a ktorý sa učí husté vektorové reprezentácie slov z rozsiahlych neoznačených textových korpusov pomocou samoučiacich sa cieľov. Trénovaním modelu na predpovedanie okolitých kontextových slov (Skip-gram) alebo cieľového slova z jeho kontextu (CBOW) zachytáva bohaté sémantické a syntaktické pravidelnosti v spojitom vektorovom priestore bez akejkoľvek manuálnej anotácie.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Self-supervised Word2Vec (Skip-gram and CBOW with Self-supervised Objectives). ScholarGate. https://scholargate.app/sk/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.
- FastTextHlboké učenie↔ compare
- Vektorové reprezentácie slov GloVeDolovanie textu↔ compare
- Rekurentná neurónová sieťHlboké učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →