Multimodal Word2Vec
Multimodal Word2Vec ขยายกรอบการทำงานของ Word2Vec แบบคลาสสิก โดยการเชื่อมโยงการแทนคำ (word representations) เข้ากับสัญญาณการรับรู้ (perceptual signals) ซึ่งโดยทั่วไปคือคุณลักษณะของภาพ (image features) ควบคู่ไปกับสถิติการกระจายของข้อความ (textual distributional statistics) ผลลัพธ์ที่ได้คือเวกเตอร์คำ (word vectors) ที่สามารถจับทั้งรูปแบบการปรากฏร่วมกันของภาษา (linguistic co-occurrence patterns) และความหมายเชิงทัศน์ (visual meaning) ทำให้สามารถตัดสินความคล้ายคลึงทางความหมาย (semantic similarity judgements) ได้อย่างลึกซึ้งยิ่งขึ้น และให้ประสิทธิภาพที่ดีขึ้นในงานที่เกี่ยวกับระดับแนวคิด (concept-level tasks) ซึ่งการฝังคำที่อาศัยเพียงข้อความอย่างเดียว (purely text-based embeddings) อาจมีข้อจำกัด
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Multimodal Word2Vec (Cross-Modal Distributional Semantics). ScholarGate. https://scholargate.app/th/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.
- การจำแนกประเภทแบบหลายรูปแบบโดยใช้ BERTการเรียนรู้เชิงลึก↔ compare
- Multimodal Doc2Vecการเรียนรู้เชิงลึก↔ compare
- การฝังประโยคหลายรูปแบบการเรียนรู้เชิงลึก↔ compare
- Multimodal Transformerการเรียนรู้เชิงลึก↔ compare
- Sentence Embeddingsการเรียนรู้เชิงลึก↔ compare