秒懂词向量

最新推荐文章于 2025-11-24 19:40:32 发布
转载 最新推荐文章于 2025-11-24 19:40:32 发布 · 104 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://zhuanlan.zhihu.com/p/26306795/
文章标签：

#自然语言处理

博客聚焦自然语言处理领域，介绍了如何快速理解词向量Word2vec的本质。Word2vec是自然语言处理中的重要概念，理解其本质有助于相关技术的学习和应用。
词向量 其实就是 语义映射矩阵
南七小僧的学海无涯
09-08 3635
最近仔细学习了word2vec，上网查资料的时候发现很多博客资料上讲到的主要是理论，不好全面理解；而对于介绍应用的文章又偏重于某个工具的使用而不是训练的细节，所以特别参考了Tensorflow上的实现写下本篇文章，以防忘记。其中Tensorflow实现word2vec请点击这里   正文： 对于word2vec的原理这里不做过多解释，如果不熟悉可以看 [NLP] 秒懂词向量Word2vec的...
[NLP] 秒懂词向量Word2vec的本质
studyvcmfc的专栏
08-18 98
https://zhuanlan.zhihu.com/p/26306795
秒懂词向量Word2vec的本质
周红伟讲AI
03-06 567
[NLP] 秒懂词向量Word2vec的本质 你会在本文看到： 提纲挈领地讲解 word2vec 的理论精髓 学会用gensim训练词向量，并寻找相似词 你不会在本文看到 神经网络训练过程的推导 hierarchical softmax/negative sampling 等 trick 的理论和实现细节 3.1. 什么是 Word2vec? 在聊 Word2vec 之前，先聊聊 NLP (自然语言处理)。NLP 里面，最细粒度的是 词语，词语组成句子，句子再组成段落、篇章、文档...
图解Word2vec，秒懂词向量Word2vec的本质
datayx的文章
04-14 1027
向AI转型的程序员都关注了这个号????????????Word2vec参考资料总结先大概说下我深挖 word2vec 的过程：先是按照惯例，看了 Mikolov 关于 Word2vec 的两篇原始论文，然而发现看完依然是一头雾水，似懂非懂，主要原因是这两篇文章省略了太多理论背景和推导细节；然后翻出 Bengio 03年那篇JMLR和 Ronan 11年那篇JMLR，看完对主题模型、用CNN处理NLP任务有所了解，...
知识图谱入门知识（五）【转】秒懂词向量Word2Vec的本质
qq_35222729的博客
08-18 537
博文： 秒懂词向量Word2Vec的本质 什么是Word2Vec？ 词性标注：是动词还是名词，样本（x，y）中，x是词语，y是它们的词性 f（x）->y 中的f（神经网络、SVM）只接受数值型输入，而NLP里的词语，必须转换为数值型形式 语言模型： 把 x 看做一个句子里的一个词语，y 是这个词语的上下文词语，那么这里的 f，便是 NLP 中经常出现的『语言模型』（language model），这个模型的目的，就是判断 (x,y) 这个样本，是否符合自然语言的法则，更通俗点说就是：词语x和词语y
[NLP] 秒懂词向量Word2vec的本质+word2vec资源总结
lingpy的博客
05-29 4263
转自作者的公众号: 『数据挖掘机养成记』1. 引子大家好我叫数据挖掘机皇家布鲁斯特大学肄业我喝最烈的果粒橙，钻最深的牛角尖——执着如我今天我要揭开Word2vec的神秘面纱直窥其本质相信我，这绝对是你看到的最浅白易懂的 Word2vec 中文总结（蛤？你问我为啥有这个底气？且看下面，我的踩坑血泪史...
[NLP] 秒懂词向量Word2vec的本质 穆文
A11021103的博客
12-15 4723
自然语言处理中的词向量 首发于数据挖掘机养成记 写文章 登录 [NLP] 秒懂词向量Word2vec的本质 穆文 8 个月前 转自我的公众号: 『数据挖掘机养成记』 1. 引子 大家好 我叫数据挖掘机 皇家布鲁斯特大学肄业 我喝最烈的果粒橙，钻最深的牛角尖 ——执着如我
NLP_词的向量表示Word2Vec 和 Embedding
weixin_42504788的博客
02-05 2108
NLP_词的向量表示Word2Vec 和 Embedding
Word2vec词向量本质
suotanyu1595的博客
09-09 219
秒懂Word2vec词向量1 正文1.21二级目录三级目录 1 正文 在聊Word2vec之前，先聊聊NLP。NLP里面，最细粒度的是词语，词语组成句子，句子再组成段落、篇章、文档等。所以处理NLP问题，首先拿词语开到。 举一个简单例子，判断一个词的词性，是动词还是名词。用机器学习的思路，我们有一系列的（x,y），这里x是词语，y是它的词性，我们要构建f(x)->y的映射，但这里的数学模型f(比如神经网路、SVM)只接受数值输入，而NLP里的词语，是人类抽象总结，是符号形式的(比如中文、英文、拉丁文
中文词向量：word2vec之skip-gram实现（不使用框架实现词向量模型）
Richard_Kim的博客
10-27 2593
介绍 在自然语言处理任务中，首先需要考虑词如何在计算机中表示。通常，有两种表示方式：one-hot representation和distribution representation。 1.离散表示（one-hot representation） 2.分布式表示（distribution representation） 两者区别和关于NLP的基础可以参考其他博客和论文 论文： ...
【word2vec】python读取pdf文件，通过词向量寻找相关词语
阿欢的博客
09-25 2140
通过python，读取一组pdf文件的文本，并根据已有关键词以及每个词语的词向量，寻找与这些关键词比较相关的词语。
NLP学习-Task1：简介和词向量Word Vectors
iiVax的博客
06-24 659
NLP学习 更新流程↓ Task 1: 简介和词矢量Word Vectors Task 2: 词矢量和词义Word Senses Task 3: 子词模型Subword Models Task 4: Contextual词嵌入 Task 5: 大作业 老夜店鸟 炸…炸辽 给朋友看要破壳的鸡蛋 简介和词矢量Word Vectors 文章目录1. 简介Introduction 1.1. 语言学到自然语言处理简要介绍 1.2. 人类语言和单词含义2. 词向量Word Vectors 2.1. Word2.
秒懂！提示工程架构师带你秒懂自动驾驶提示工程
AI大模型应用之禅
09-04 591
最近几年，自动驾驶从“科幻”变成“日常”——特斯拉能自动变道，百度Apollo能无人驾驶。但自动驾驶最头疼的不是“能跑”，而是“能聪明地跑”：比如遇到行人突然窜出，怎么判断“等他过”还是“绕开”？遇到外卖车闯红灯，怎么避免碰撞又不违规？这些“复杂决策”，传统的“if-else规则”根本解决不了——因为现实世界没有“固定答案”。这时候，提示工程站了出来。它的作用是把自动驾驶的“感官数据”（摄像头的图像、雷达的距离、GPS的位置）转换成“AI能理解的问题”，再让大语言模型（LLM）给出“安全决策”。
向量数据库（一）
J.D.的博客
07-28 770
向量数据库专题的第一篇。
走向通用智能的大语言模型：具身、符号落地、因果与记忆的统一认知视角
nmdbbzcl的博客
11-23 1035
如果真要靠大语言模型（LLM）走向人工通用智能（AGI），缺的到底是什么？arXiv作者的态度很明确：今天的多模态大模型已经很强，但“聪明得很表面”，距离真正的“通用智能”还差一大截。
PaLM：Pathways 驱动的大规模语言模型 scaling 实践
m0_65010824的博客
11-24 741
本文是对论文《PaLM: Scaling Language Modeling with Pathways》的深度解读。在大模型研究领域，如何实现高效规模化训练并解锁复杂任务能力，是核心挑战。Google Research 团队提出的 PaLM 模型，以 5400 亿参数稠密 Transformer 为基础，借助 Pathways 系统实现跨 TPU Pod 高效训练，在少样本推理、代码生成等任务中刷新 SOTA，为大模型规模化研究提供关键参考。
InstructBLIP：面向通用视觉语言模型的指令微调技术解析
m0_65010824的博客
11-24 777
本文是对论文《InstructBLIP: Towards General-purpose Vision-Language Models with Instruction Tuning》的深度解读。在多模态领域，如何构建具备通用指令遵循能力的视觉语言模型，是亟待解决的关键挑战。Salesforce Research 等团队提出 InstructBLIP 框架，通过指令感知 Q-Former 与平衡数据集采样策略，实现了多样化视觉语言任务的高效泛化，显著提升零样本与下游微调性能，为通用多模态模型研发提供范式。
论文浅尝 | 利用条件语句激发和提升大语言模型的因果推理能力（CL2025）
最新发布
开放知识图谱
11-24 308
这些发现表明，代码，特别是代码中的条件语句，通过提示和微调在引发和提高语言模型的因果推理能力方面可以发挥重要作用。证明，在执行复杂因果推理任务时，代码语言模型优于相同结构的通用语言模型。的训练数据观察到最大的性能提升，这表明仅用少量（少于一千条）条件语句代码，模型的因果推理能力就能大幅提高。代码语言模型在大多数设置下仍然优于相应的通用语言模型，并且对于大多数模型来说，代码提示优于文本提示。代码大语言模型比通用大语言模型更擅长因果推理，并且对于大多数模型来说，代码提示比文本提示更有效。
Fast Distributed Inference Serving for Large Language Models
nihaoakekeke的博客
11-21 838
大规模语言模型（LLMs）驱动了以ChatGPT为代表的新一代交互式AI应用。这类应用的交互特性要求LLM推理具备低延迟特性。现有LLM服务系统对推理任务采用运行至完成的处理模式，存在队头阻塞问题且导致延迟较高。本文提出FastServe——一个面向LLMs的分布式推理服务系统。该系统利用LLM推理的自回归特性，实现了以单个输出令牌为粒度的抢占机制。通过采用具备跳过连接功能的多级反馈队列调度器，FastServe运用抢占式调度策略有效降低延迟。
BERT词向量转换与模型接口实现
资源摘要信息: "BERT词向量的生成与应用" BERT（Bidirectional Encoder Representations from Transformers）是由谷歌的研究者提出的一种新型的预训练语言表征模型，它利用双向Transformer的上下文来理解词语的含义...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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。

余额充值