通常数据的维度越高,能提供的信息也就越多,从而计算结果的可靠性就更值得信赖
如何来描述语言的特征呢,通常都在词的层面上构建特征,Word2Vec就是要把词转换成向量
假设现在已经拿到一份训练好的词向量,其中每一个词都表示为50维的向量
如果在热度图中显示,结果如下
在结果中可以发现,相似的词在特征表达中比较相似,也就是说词的特征是有意义的!
在词向量模型中,输入和输出分别是什么?
数据从哪来?
构建训练数据
不同模型对比
CBOW模型
Skip-gram模型
Skip-gram模型所需训练数据集
如何进行训练?
如果一个语料库稍微大一些,可能的结果简直太多了,最后一层相当于softmax,计算起来十分耗时,有什么别的方法吗?
初始方案:输入两个单词,看他们是不是前后对应的输入输出,也就相当于一个二分类任务
出发点非常好,但是此时训练集构建出来的标签全为1,无法进行较好的训练
改进方案。加入一些负样本(负采样模型)
词向量训练过程
初始化词向量矩阵
通过神经网络反向传播来计算更新,此时不光更新权重参数,还更新输入数据文章来源:https://www.toymoban.com/news/detail-701441.html
文章来源地址https://www.toymoban.com/news/detail-701441.html
到了这里,关于自然语言处理-词向量模型-Word2Vec的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!