เปรียบเทียบวิธี

	Word2Vec	การจัดกลุ่มเอกสาร	การฝังเวกเตอร์ GloVe
สาขาวิชา	การทำเหมืองข้อความ	การทำเหมืองข้อความ	การทำเหมืองข้อความ
ตระกูล	Process / pipeline	Process / pipeline	Process / pipeline
ปีกำเนิด	2013	—	2014
ผู้ริเริ่ม	Tomas Mikolov et al.	—	Pennington, Socher & Manning
ประเภท	Neural word-embedding model	Unsupervised text-mining task	Static word-embedding model
แหล่งต้นตำรับ	Mikolov, T., Chen, K., Corrado, G. & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space.	Aggarwal, C. C. & Zhai, C. (2012). Mining Text Data. Springer. ISBN: 9781461432227	Pennington, J., Socher, R. & Manning, C. D. (2014). GloVe: Global Vectors for Word Representation. EMNLP.
ชื่อเรียกอื่น	word embeddings, skip-gram, continuous bag-of-words, Word2Vec Kelime Gömülmeleri	text clustering, unsupervised text grouping, Belge Kümeleme (Document Clustering)	GloVe, global vectors, GloVe Kelime Gömülmeleri
ที่เกี่ยวข้อง	4	4	3
สรุป	Word2Vec is a neural word-embedding technique introduced by Mikolov and colleagues in 2013 that maps each word in a text corpus to a dense numeric vector. Words that appear in similar contexts end up close together in the vector space, so the embeddings capture semantic similarity that can be measured arithmetically.	Document clustering is an unsupervised text-mining task that groups documents with similar content together without using any labels. It is used to organise large collections and for exploratory analysis, drawing on the body of text-mining techniques consolidated by Aggarwal and Zhai (2012) and compared empirically by Steinbach, Karypis and Kumar (2000).	GloVe (Global Vectors for Word Representation) is a static word-embedding model introduced by Pennington, Socher and Manning (2014) that learns word vectors directly from global word-word co-occurrence statistics gathered across an entire corpus. The resulting vectors place semantically related words close together and perform strongly on semantic analogy tasks.