mpk_no1的博客

本文主要介绍一个Word2vec和Doc2vec应用示例：用Word2vec和Doc2vec做句子相似度计算。

本文主要讲述一个层次聚类实例，使用层次聚类算法将相似图书的目录进行聚类。由于不知道要聚为多少类，所以Kmeans聚类算法不适用，而层次聚类由于不需要设置聚类中心数，只要传递一个阈值即可，所以正好适合于这个问题。本文将结合层次聚算法的原理以及其Java代码实现来展现文本聚类的一个实现方式。具体代码见我的GitHub（点击打开链接）

本篇主要用一个实例来介绍一下如何进行Word2vec和Doc2vec的训练，并对Word2vec和Doc2vec模型训练过程中的参数进行一些解读。使用的是Python版本的gensim库实现，想要了解Word2vec和Doc2vec的原理可以查看我的上一篇博客（ 深度学习笔记——Word2vec和Doc2vec原理理解并结合代码分析）。代码见我的GitHub（使用Gensim库训练Word2vec和Doc2vec模型）

一直在用Word2vec和Doc2vec做Embedding，但是刚开始用的时候对其原理一直是一知半解，只是知道怎么用而已。古人云：既要知其然，也要知其所以然。所以，结合作者论文，以及网上各位前辈的博客和开源代码之后，抽空写写自己对Word2vec和Doc2vec原理的理解，以及结合代码做一些分析。希望能够有用，有错误也请各位朋友批评指正！

本文使用三种深度学习方法对IMDB评论进行情感分析。这三种方法为：MLP、BiRNN（LSTM、GRU）、BiGRU+Attention。

句子对匹配（Sentence Pair Matching）问题是NLP中非常常见的一类问题，所谓“句子对匹配”，就是说给定两个句子S1和S2，任务目标是判断这两个句子是否具备某种类型的关系。本文是一个Word2vec和Doc2vec的应用，使用Word2vec和Doc2vec得到句子的向量表示，然后计算cosin相似度，本文在Quora公开的一个数据集上做了一些对比试验，是一种无监督的句子对匹配方法。

句子对匹配（Sentence Pair Matching）问题是NLP中非常常见的一类问题，所谓“句子对匹配”，就是说给定两个句子S1和S2，任务目标是判断这两个句子是否具备某种类型的关系。本文用机器学习算法实现了一种有监督的句子对匹配方法，使用的机器学习分类算法有：逻辑回归（LR）、SVM、GBDT和随机森林（RandomForest），使用的工具是Sklearn。并在Quora公开的一个数据集上做了一些对比试验。