Självövervakad Word2Vec
Word2Vec är en grund neural nätverksmodell som introducerades av Mikolov et al. (2013) och som lär sig täta vektorrepresentationer av ord från stora oannoterade textkorpusar med hjälp av självövervakade mål. Genom att träna en modell att förutsäga omgivande kontextord (Skip-gram) eller ett målord från dess kontext (CBOW), fångar den rika semantiska och syntaktiska regelbundenheter i kontinuerligt vektorrum utan någon manuell annotering.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Self-supervised Word2Vec (Skip-gram and CBOW with Self-supervised Objectives). ScholarGate. https://scholargate.app/sv/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.
- FastTextDjupinlärning↔ compare
- GloVe-inbäddningarTextutvinning↔ compare
- Återkommande neuralt nätverkDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →