知识卡片
连续词袋用上下文预测中心词
CBOW将上下文词向量聚合为表示,再预测中心词;聚合可依实现取和或平均,区别于按位置拼接的前馈语言模型。训练目标是中心词身份或概率,不是直接回归中心词向量,也不应加入书中混用的非线性隐藏层。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- · 查看原书依据
CBOW是Word2Vec最重要的模型,输入是周围词的词向量,而输出是当前词的词向量。也就是说,通过周围的词来预测当前词。CBOW模型如图9.9所示。
参考来源
- 位置:《NLP汉语自然语言处理原理与实践 (郑捷)》第09章《NLP中的深度学习》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/NLP汉语自然语言处理原理与实践 (郑捷)/_epub-src/OEBPS/text00014.html)
- 结论依据:摘录中关于连续词袋用上下文预测中心词的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。
- 原始内容:CBOW是Word2Vec最重要的模型,输入是周围词的词向量,而输出是当前词的词向量。也就是说,通过周围的词来预测当前词。CBOW模型如图9.9所示。