CBOW and Skip-gram

本文介绍了Word2Vec的两种高效训练模型:CBOW和Skip-gram。CBOW模型通过上下文预测目标词,而Skip-gram则依据目标词预测其上下文。这两种模型都能从大规模数据集快速学习词语的向量表示。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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
  1. 组成:Input层、Projection层、Outout层。
  2. 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)。在这里插入图片描述
Skip-gram
  1. 组成:Input层、Projection层、Outout层。
  2. 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)
    在这里插入图片描述
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值