word2vec
自然语言是一套用来表达含义的复杂系统。在这套系统中,词是表义的基本单元。
词向量,是用来表示词的向量或表征,也可被认为是词的特征向量。
把词映射为实数域向量的技术也叫词嵌入(word embedding)。
为何不用one-hot向量?
one-hot向量构造起来容易,但不是一个好选择,主要原因:
one-hot词向量无法准确表达不同词之间的相似度,如我们常常使用的余弦相似度。
任何两个不同词的one-hot向量的余弦相似度都为0,多个不同词之间的相似度难以通过one-hot向量准确地体现出来。
word2vec工具的提出正是为了解决上面的问题。它将每个词表示成一个定长的向量,并使得这些向量能够较好地表达不同词之间的相似和类比关系。
其中word2vec包含两个模型:CBOW(continuous bag of words,连续词袋模型)和skip-gram(跳字模型)。