Machine learningDeep learning / NLP / CV
句子嵌入
句子嵌入将一个句子或短文本转换为一个单一的、固定长度的密集向量，该向量捕捉其语义含义。这些向量使得下游任务——语义相似度、聚类、检索和分类——能够在数值表示上操作，而不是原始文本，这使得它们成为现代自然语言处理（NLP）管道中最通用的构建块之一。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
Method map
The neighbourhood of related methods — select a node to explore.
+43 more
来源
- Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing (EMNLP), 3980–3990. DOI: 10.18653/v1/D19-1410 ↗
- Kiros, R., Zhu, Y., Salakhutdinov, R., Zemel, R. S., Torralba, A., Urtasun, R., & Fidler, S. (2015). Skip-Thought Vectors. Advances in Neural Information Processing Systems (NeurIPS), 28. link ↗
如何引用本页
ScholarGate. (2026, June 3). Sentence Embeddings (Dense Vector Representations of Sentences). ScholarGate. https://scholargate.app/zh/deep-learning/sentence-embeddings
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.
- [需翻译标题：BERT-based Classification...]深度学习↔ compare
- 长短期记忆网络（LSTM）深度学习↔ compare
- 基于RoBERTa的分类深度学习↔ compare
- 主题建模深度学习↔ compare
被引用于
[需翻译标题：BERT-based Classification...]基于领域自适应BERT的分类领域自适应句子嵌入 (Domain-Adaptive Sentence Embeddings)领域自适应情感分析领域自适应 Word2Vec可解释的BERT分类可解释的非负矩阵分解主题模型可解释问答可解释的 RoBERTa 分类可解释句子嵌入可解释情感分析可解释文本摘要可解释主题建模微调 BERT 分类微调Doc2Vec微调LDA主题模型微调问答RoBERTa-based 分类微调微调句嵌入微调文本摘要微调主题建模微调 Word2Vec (Fine-Tuned Word2Vec)LDA主题模型长短期记忆网络（LSTM）多语言Doc2Vec多语言句子嵌入多语言情感分析多语言文本摘要多语言 Transformer多模态Doc2Vec多模态 RoBERTa 分类多模态Transformer多模态Word2VecNMF 主题模型基于RoBERTa的分类自监督LDA主题模型自监督句子嵌入自监督主题建模自监督Transformer半监督LDA主题模型半监督NMF主题模型半监督句子嵌入半监督Word2Vec主题建模BERT 기반 전이 학습命名实体识别的迁移学习基于句子嵌入的迁移学习迁移学习与文本摘要主题建模迁移学习基于Word2Vec的迁移学习弱监督LDA主题模型弱监督句子嵌入弱监督词向量 (Weakly Supervised Word2Vec)