word2vec的原理以及实现

最新推荐文章于 2025-05-19 08:54:33 发布

tostq

最新推荐文章于 2025-05-19 08:54:33 发布

阅读量1.4k

点赞数

CC 4.0 BY-SA版权

文章标签： word2vec 人工智能机器学习

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。

本文链接：https://blog.youkuaiyun.com/tostq/article/details/129791317

word2vec是早期NLP的必要预处理过程，其用于生成词的向量表示（embeding）。

$w_{embed} = f(word)=[0.1,0.2,...,0.21,0.32]$

其将单词映射为固定长度的向量（embeding向量），而通过向量表示可以更好地表达不同词之间的相关性，因此会使得后续的分类、生成等NLP任务更好地学习训练。word2vec描述不同词之间的相关性，主要是指词同其上下文的其他词的共现性，主要有两种范式：

跳元模型Skip-gram：其是假设通过中心词 $w_c$ 生成其上下文 $w_{c\pm i}$ ，因此其目标是在中心词下，其上下文的条件概率 $P(w_{c-k},...,w_{c-1},w_{c+1},...,w_{c+k}|w_c)$ 最大，即如下优化式子，C表示中心词的数量，k表示上下文窗口数。

$\prod^C_c P(w_{c-k},...,w_{c-1},w_{c+1},...,w_{c+k}|w_c)=\prod^C_c \prod^k_{i=1} P(w_{c-i}|w_c)*P(w_{c+i}|w_c)$

连续词袋CBOW：其是假设通过上下文 $w_{c\pm i}$ 生成中心词 $w_c$ ，因此其目标在上下文下，其中心词生成条件概率 $P(w_c | w_{c-k},...,w_{c-1},w_{c+1},...,w_{c+k})$ 最大，即如下优化式子：

$\prod^C_c P(w_c|w_{c-k},...,w_{c-1},w_{c+1},...,w_{c+k})$

本文重点介绍跳元模型Skip-gram

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。