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
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/145390.html原文链接：https://javaforall.net
