XX2Vec算法汇总

XX2Vec算法汇总

转载请注明！

XX2Vec	Embed	In	Sup/Unsup	Algorithms used
Char2Vec	Character	Sentence	Unsupervised	CNN -> LSTM
Word2Vec	Word	Sentence	Unsupervised	ANN
GloVe	Word	Sentence	Unsupervised	SGD
Doc2Vec	Paragraph Vector	Document	Supervised	ANN -> Logistic Regression
Image2Vec	Image Elements	Image	Unsupervised	DNN
Video2Vec	Video Elements	Video	Supervised	CNN -> MLP

强大的word2vec算法激发了许多其他的算法，李在上表中。（对于word2vec的说明，参阅2015Spark峰会我的演讲.）word2vec是对单词分配向量的便捷方式，而且响亮是机器学习的货币。一旦你向量化你的数据，你可以自由应用任何机器学习算法。
word2vec能够通过嵌入的概念关联到向量。在语料库中，一个单词出现在周围单词的上下文，word2vec使用这些同现推断单词间的关系。
所有列在上表的XX2vec算法为X分配向量，X是嵌入在大文本Y中。
但是相似之处到此为止。每个XX2vec算法不仅有专有适合领域，而且使用情形也是不一样的。例如，Doc2Vec是监督学习，其他大多数是非监督学习。Doc2Vec的目标是能够标记文档，word2vec和其他XX2vec算法的目的只是分裂出向量，用于你下一步机器学习和分析。
下面是每个XX2vec算法的简要说明。

Char2Vec

Char2Vec运行于字符集，对拼写错误更加宽容，因此可以更好的分析tweets,用户产品评价等等。

Word2Vec

如上所述。还有一点是：它是不合理有效算法之一。如果你愿意可以碰碰运气。

GloVe

关于将单词嵌入一些数学中，而不是从神经网络中抽取权重并盼望其工作,已经取得了一些成就。GloVe目前是这方面的旗手。模型从一开始支持寻找类似，而不是仅仅在word2vec中碰运气。

Doc2Vec

实际上，Doc2Vec使用word2Vec作为第一步。然后从有利于Word2Vec的单词向量中对每个句子或段落生成复合向量。复合对段落或句子给出总体背景的某种形式，然后复合向量作为额外单词插入到句子或段落开始。段落向量和单词向量使用文档的人工标签，一起训练监督学习分类器。

Image2Vec

word2vec有意使用一个浅神经网络，Image2Vec使用一个深层神经网络，组合从网络多层的权重所得的结果向量。图像袁术可能由这些权重代表，包括图像片段（草，鸟，篱笆等等），或整体图像质量，比如颜色。

Video2Vec

如果图片的机器学习包含高维度，那么视频包含更高的维度。Video2Vec首先通过卷积神经网络做一些初步降维。