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
发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/145390.html原文链接：https://javaforall.cn
【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛
【官方授权 正版激活】： 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...
