Embedding中word2vec原理和细节

原创

于 2021-02-27 12:49:31 发布 · 391 阅读

·

2

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#算法 #深度学习 #机器学习 #人工智能

本文深入探讨word2vec的两种模式——COBW和Skip-gram，以及两种优化方案——层次softmax和负采样。通过层次softmax和负采样解决高维计算复杂度问题，提高效率。此外，还介绍了重采样技术，用于优化高频和低频词的训练，以增强模型学习重要信息的能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

关于word2vec原理和结构总结为2+2+1的关系

。

2—>两种模式，COBW和Skip-gram

COBW：已知中间词向量求周围词向量
在这里插入图片描述
COBW的运行原理流程：

Skip-gram：已知周围词求中间词向量
在这里插入图片描述

2—>两种优化方案，层次softMax和负采样

由上图两个模型的流程可知，最后都是softmax求出词的概率最大时的参数，所以在实际情况下V的维数时很高的，所以在计算时复杂度很高，要求softmax要输出V个概率。
层次softmax：原理是把softmax多分类换为多个sigmoid，改为二叉树的计算方式

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。