130
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − + − 训练后，通过word2vec模型得到的词向量（Word Embeddings）可以广泛应用于各种自然语言处理（NLP）任务中，包括机器翻译（Machine Translation）、信息检索（Information Retrieval）、文本分类（Text Classification）以及情感分析（Sentiment Analysis）等。+ − − 传统方法（如N-gram）将词视为离散的ID，无法表达词语间的联系，而word2vec模型将词嵌入到连续空间，相近意义的词在向量空间中距离更近，为后续复杂的模型（如 Transformer）提供了基础。
无编辑摘要
== Intro ==
== Intro ==
'''Word2Vec''' 是一种将词语（Word）映射为连续向量（Vector）的高效建模技术，它通过在大规模文本语料中自动学习，使每个词表示为一个低维、密集、连续的向量（Embedding），这种向量能够捕捉词语之间的'''语义'''和'''句法'''关系。
'''Word2Vec''' 是一种将词语（Word）映射为连续向量（Vector）的高效建模技术，由 Google 的 Tomas Mikolov 团队于 2013 年提出。通过在大规模文本语料中自动学习，Word2Vec 将每个词表示为一个低维、稠密、连续的向量（Embedding），这种向量能够捕捉词语之间的语义和句法关系。与传统将词视为离散 ID 的方法（如 N-gram）不同，Word2Vec 将词嵌入到连续空间中，相似意义的词在向量空间中距离更近，为后续复杂模型（如 Transformer）奠定了基础。
Word2Vec 的底层是一个浅层神经网络，采用 Skip-gram 或 Continuous Bag-of-Words（CBOW）两种架构进行训练。训练后得到的词向量（Word Embedding）被广泛应用于自然语言处理（NLP）任务中，包括机器翻译（Machine Translation）、信息检索（Information Retrieval）、文本分类（Text Classification）和情感分析（Sentiment Analysis）等，成为当前 NLP 领域的重要基础方法之一。
== '''历史背景''' ==
== '''历史背景''' ==