word2vec原理总结

大家好，又见面了，我是你们的朋友全栈君。

CBOW与Skip-Gram模型基础：https://www.cnblogs.com/pinard/p/7160330.html

Hierarchical Softmax的模型：https://www.cnblogs.com/pinard/p/7243513.html

Negative Sampling的模型：https://www.cnblogs.com/pinard/p/7249903.html

word2vec原理总结:

1.word2vec中有两种模型CBOW和Skip-Gram,CBOW是通过上下文词来预测中心词，Skip-Gram是通过中心词来预测上下文。

2.word2vec的两种优化方式：基于霍夫曼树的Hierarchical Softmax和负采样。

Hierarchical Softmax：

1.根据每个词的词频大小构建霍夫曼树，词频越高越靠近根结点。

2.初始化模型参数(每个节点参数)，词向量

3.通过逻辑回归、最大似然函数中的梯度上升求解参数和词向量

缺点：生僻词需要沿着树从上到下找很久 。

负采样：

1.随机选neg个中心词做负例，正例是正确的中心词，1-正例=负例。

2.初始化模型参数(每个节点参数)，词向量

3.通过逻辑回归、最大似然函数中的梯度上升求解参数和词向量

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/145390.html原文链接：https://javaforall.cn