global vector for word representation(Glove)
两类模型: count-based,并依赖于因式分解,如LSA,HAL,等,这些方法没有利用全局统计信息,仅仅是初级的单词相似度,
另一种方法是 shallow window-based,如skip-gram和CBOW的模型,通过在上下文中预测来进行词向量的学习。但是没有使用全局共线统计的信息。这里的损失是优化减小预测损失。
glove相对于window-based模型,首先其是count-based模型,利用了全局共现信息,训练时收敛速度会更快。使用有意义的sub-structure来进行词向量的生成。(sub-structure是什么呢)。这里的损失是优化减小重建损失,即降低维度后的向量能够尽可能表达原始向量的完整信息。
glove相对与vector来说,一个有点是更容易并行化,速度更快,容易在大规模语料上训练。
参考: