分布式

相当于不同分词对结果的贡献程度。

Word2Vec

[NLP] 秒懂词向量Word2vec的本质重点：当模型训练完后，最后得到的、是神经网络的权重，比如现在输入一个 x 的 one-hot encoder: [1,0,0,…,0]，对应输入的某个分词，则在输入层到隐含层的权重里，只有对应 1 这个位置的权重被**，这些权重的个数，跟隐含层节点数是一致的，从而这些权重组成一个向量 V 来表示x，而因为每个分词的 one-hot encoder 里面 1 的位置是不同的，所以，这个向量 V就可以用来唯一表示 x。

CBOW模型（Continuous Bag-of-Words）和Skip-Gram模型

Skip-gram模型举例说明：

上述目标函数中存在一个问题：
将目标函数进行变形，其中词库太大了，增加了时间复杂度。

有两种优化方法：

1. 负采样 Negative Sampling：预测总体类别的一个子集。
   正样本（文本中出现的组合）是一定的，负样本（文本中为出现的组合）较多，该方法的思想在于：计算时不使用全部的负样本而是随机采样，采样个数可自己设置。
   下图为采样个数设为2的情况:（随机采用2个负样本计算目标函数）
   
   在确定好样本后，进行梯度下降更新。
   
   Skip-Gram model with SGD （skip-gram模型使用梯度下降的大致过程）
   

2. hierarchical softmax：把 N 分类问题变成 log(N)次二分类

个人整理笔记，方便复习，若侵权，请联系。
附贪心学院课程链接： https://www.greedyai.com/courseinfor/105