Word2vec,為一群用來產生詞向量的相關模型。這些模型為淺层雙層的神經網路,用來訓練以重新建構語言學之詞文本。網路以詞表現,並且需猜測相鄰位置的輸入詞,在word2vec中词袋模型假設下,詞的順序是不重要的。

訓練完成之後,word2vec模型可用來映射每個詞到一個向量,可用來表示詞對詞之間的關係。該向量為神經網路之隱藏層。

Word2vec依賴skip-grams或連續詞袋(CBOW)來建立神經詞嵌入。Word2vec為托馬斯·米科洛夫(Tomas Mikolov)在Google帶領的研究團隊創造。該演算法漸漸被其他人所分析和解釋。

Skip-grams和CBOW

CBOW把一個詞從詞窗剔除。在CBOW下給定n詞圍繞著詞w,word2vec預測一個句子中其中一個缺漏的詞c,即以機率來表示。相反地,Skip-gram給定詞窗中的文本,預測當前的詞

延伸

Word2vec用來建構整份文件(而分獨立的詞)的延伸應用已被提出, 該延伸稱為paragraph2vec或doc2vec,並且用C、Python和 Java/Scala實做成工具(參考下方)。Java和Python也支援推斷文件嵌入於未觀測的文件。

分析

對word2vec框架為何做词嵌入如此成功知之甚少,約阿夫·哥德堡(Yoav Goldberg)和歐莫·列維(Omer Levy)指出word2vec的功能導致相似文本擁有相似的嵌入(用余弦相似性計算)並且和約翰·魯伯特·弗斯 分佈假說 英语 Distributional semantics 有關。

實作


本文使用维基百科文章Word2vec中的材料,它是在Creative Commons Attribution-Share-Alike License 3.0下发布的。