问word2vec中的特征矩阵是什么？

EN

word2vec的思想是用维数d的实数向量表示单词，因此第二个矩阵是这些词的表示。

这个矩阵的第一行是第一字的向量表示.

假设在您的示例中有5个单词：“狮子”、“猫”、“狗”、“马”、“老鼠”，那么第一个向量0 0 0 1意味着您正在考虑单词"Horse“，所以"Horse”的表示形式是10、12、19。同样，17、24、1是“狮子”这个词的代表。

就我所知，没有“人的意义”，特别是在这些表示中的每一个数字。如果这个词是动词或非动词，形容词或非形容词，那么一个数字并不代表.它只是你改变的权重来解决你的优化问题，来学习你的单词的表达方式。

本教程可能会有所帮助：http://mccormickml.com/2016/04/19/word2vec-tutorial-the-skip-gram-model/，尽管我认为您所放的图像来自此链接。

您也可以检查这一点，这可能有助于您开始使用TensorFlow：https://www.tensorflow.org/tutorials/word2vec的单词向量。

TL;DR：

第一个矩阵以一种热格式表示输入向量。

第二个矩阵表示从输入层神经元到隐层神经元的突触权重。

更长版本

“特征矩阵到底是什么”

看来你还没有正确理解表示法。该矩阵不是特征矩阵，而是神经网络的权值矩阵。考虑下面给出的图像。特别注意左上角，其中输入层矩阵与权重矩阵相乘。

现在看看右上角。这种矩阵乘法，InputLayer点乘积权转置，只是一种方便的方式来表示神经网络在右上角。

因此，为了回答您的问题，您所提交的方程只是用于Word2Vec算法的神经网络的数学表示。

第一部分，0 0 1 0将输入字表示为一个热向量，另一个矩阵表示每个输入层神经元与隐层神经元连接的权重。

在Word2Vec训练的过程中，它逆向这些权重，并改变它们，以便更好地将单词表示为向量。

一旦训练完成，你只使用这个权重矩阵，取0 0 1 0 0作为“狗”，并将它与改进的权重矩阵相乘，得到“狗”在维数=隐层神经元中的向量表示。

在您所提供的图表中，隐藏层神经元的数目为3。

所以右手边基本上是单词向量。

影像学分：http://www.datasciencecentral.com/profiles/blogs/matrix-multiplication-in-neural-networks