CBOW and Skip-gram
论文核心:
传统的学习密集向量的模型的计算效率低下,这篇文章提出了Word2Vec的两种训练模型,CBOW(Continuous Bag-of-Words Model) 和 Skip-gram,来以较高的计算效率从大规模数据集中计算词语的连续向量表示。
CBOW
- 组成:Input层、Projection层、Outout层。
- 特点:输入是某一个特征词的上下文相关的词对应的词向量,而输出就是这特定的一个词的词向量。即计算的是一种先验概率(在上下文词出现的情况下去预测特定要求的词)。
Skip-gram
- 组成:Input层、Projection层、Outout层。
- 特点:和CBOW相反,输入是特定的一个词的词向量,而输出是特定词对应的上下文词向量,即一种后验概率(已知道特定词去求上下文词)