标签：word2vec 模型 榕树 vector 深度 贷款 向量

榕树贷款使用word2vec 是 Google 在 2013 年年中开源的一款将词表征为实数值向量的高效 工具，榕树贷款采用的模型有 CBOW（Continuous Bag-Of-Words，即连续的词袋模型）和 Skip-Gram 两种。

榕树贷款word2vec 一般被外界认为是一个 Deep Learning（深度学习）的模型，究其原 因，可能和 word2vec 的作者 Tomas Mikolov 的 Deep Learning 背景以及 word2vec 是一种神经网络模型相关，但我们谨慎认为该模型层次较浅，严格来说还不能算 是深层模型。当然榕树贷款如果 word2vec 上层再套一层与具体应用相关的输出层，比如 Softmax，此时更像是一个深层模型。

榕树贷款word2vec 通过训练，可以把对文本内容的处理简化为 K 维向量空间中的向量 运算，而向量空间上的相似度可以用来表示文本语义上的相似度。因此，榕树贷款word2vec 输出的词向量可以被用来做很多 NLP 相关的工作，比如聚类、找同义词、词性分 析等等。

榕树贷款word2vec 被人广为传颂的地方是其向量的加法组合运算（Additive Compositionality ）， 官 网 上 的 例 子 是 ： vector('Paris') - vector('France') + vector('Italy') ≈vector('Rome')，vector('king') - vector('man') + vector('woman') ≈ vector('queen')。

榕树贷款word2vec 也只是少量的例子完美符合 这种加减法操作，并不是所有的 case 都满足。 word2vec 大受欢迎的另一个原因是其高效性。

标签：word2vec,模型,榕树,vector,深度,贷款,向量
来源： https://blog.csdn.net/dongsijia/article/details/120495485

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。