大家好，又见面了，我是你们的朋友全栈君。
（原创）
word2vec是将单词转为向量，并为后续应用机器学习的算法做准备。
经典的模型有两种，skip-gram和cbow，
其中，skip-gram是给定输入单词来预测上下文，而cbow相反，是给定上下文来预测输入单词。下面主要介绍skip-gram：
1.skip-gram训练词对
skip-gram首先设定所谓一个值（ skip_window），作为一个单词选取它的上下文的单词的数量，
这些词对，作为训练数据，如 “the quick brown fox jumps over lazy dog”，对于quick，有
（quick，the），（quick，brown），（quick，fox）三个词对，作为quick的训练标签。
2.word嵌入到k维空间，k维向量化
接下来是对语料中单词的向量化处理，首先将语料中不重复的单词都拿出来成为词汇表，
然后对其进行one-hot编码，如10000个单词，其中a编码为 [1,0,0,0….]，这个时候单词已经转为了向量，但是只是这样并不能看出任意两词之间的相关性，而且词汇表如果大的话，导致维度灾难。
Hinton提出了映射到K维向量的思想，基于这个思想用一个简单的多分类的神经网络来训练得到这些K为向量。
输入层是n个one-hot编码的词，输出也是one-hot编码的词（对skipgram的词对进行训练），
隐含层为 k个神经元节点，含有n*k的权重矩阵，经过这层将词向量转换为k维向量，
再经softmax输出为n维的预测概率向量，优化残差函数，训练权重系数。
最终训练结束后，这个n*k的权重矩阵的每一行就作为该单词的k维向量了。
转载于:https://www.cnblogs.com/randomstring/p/10439384.html
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/145615.html原文链接：https://javaforall.net
