Word2vec 算法

??????? CBOW 和 Skip-Gram模型

CBOW通過周圍詞找到當前詞，Skip-Gram通過當前詞找到周圍詞，都是使用評估概率找到概率最大的

doc2vec

在word2vec的基礎(chǔ)上增加一個段落向量，該模型也有兩個方法：Distributed Memory(DM) 和 Distributed Bag of Words(DBOW)

doc2vec 的c-bow與word2vec的c-bow模型的區(qū)別
在訓練過程中增加了每個句子的id(向量)，計算的時候?qū)aragraph vector和word vector累加或者連接起來，作為softmax的輸入

在預測過程，給預測句子分配一個新的paragraph id , 重新利用梯度下降訓練待預測的句子，待收斂后，即得到待測句子的paragraph vector

PV-DM

doc2vec的skip-gram與word2vec的skip-gram模型的區(qū)別?

在doc2vec里，輸入都是paragraph vector ，輸出是該paragraph 中隨機抽樣的詞

PV-DBOW

補充知識

One-hot Representation

采用稀疏方式存儲，給每個詞分配一個數(shù)字 ID，表示后配合上最大熵、SVM、CRF 等等算法已經(jīng)很好地完成了 NLP 領(lǐng)域的各種主流任務(wù)

缺點 任意兩個詞之間都是孤立的，光從這兩個向量中看不出兩個詞是否有關(guān)系，容易發(fā)生維數(shù)災(zāi)難

Distributed representation

從原始的詞向量稀疏表示法過渡到低維空間中的密集表示

決了維數(shù)災(zāi)難問題，并且挖掘了word之間的關(guān)聯(lián)屬性

Reference

https://www.jianshu.com/p/048bff9b0f65

https://www.cnblogs.com/gogoSandy/p/13773327.html

總結(jié)

以上是生活随笔為你收集整理的word2vec 和 doc2vec 相似和区别的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。