Word2Vec แบบกำกับตนเอง
Word2Vec เป็นแบบจำลองโครงข่ายประสาทเทียมแบบตื้นที่นำเสนอโดย Mikolov et al. (2013) ซึ่งเรียนรู้การแทนค่าเวกเตอร์แบบหนาแน่นของคำจากคลังข้อความขนาดใหญ่ที่ไม่มีป้ายกำกับ โดยใช้เป้าหมายการกำกับตนเอง ด้วยการฝึกแบบจำลองให้ทำนายคำบริบทโดยรอบ (Skip-gram) หรือคำเป้าหมายจากบริบท (CBOW) แบบจำลองจะจับลักษณะความสัมพันธ์ทางความหมายและไวยากรณ์ที่หลากหลายในปริภูมิเวกเตอร์ต่อเนื่องโดยไม่ต้องมีการใส่ป้ายกำกับด้วยตนเอง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Self-supervised Word2Vec (Skip-gram and CBOW with Self-supervised Objectives). ScholarGate. https://scholargate.app/th/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.
- FastTextการเรียนรู้เชิงลึก↔ compare
- การฝังเวกเตอร์ GloVeการทำเหมืองข้อความ↔ compare
- โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)การเรียนรู้เชิงลึก↔ compare