2048 AI社区

2048 AI社区

AI资讯 AI造物社区 MCP

话题讨论活动竞赛科技篇产业对接

去全站搜索看看？

登录社区云

登录社区云，与社区用户共同成长

2048 AI社区

邀请您加入社区

欢迎加入社区

欢迎加入社区

word2vec

AI：词向量模型详解（Word Embedding）

词向量（Word Embedding）是自然语言处理中的基础技术，将词语映射为低维实数向量以捕捉语义关系。经典模型包括Word2Vec（CBOW/Skip-gram架构）、GloVe（融合全局统计）和FastText（引入子词信息）。训练过程涉及预处理、超参数调优等步骤，评估分内在（词相似度/类比）和外在（下游任务表现）两类。静态词向量存在一词一义、上下文无关等局限，现逐步被动态上下文模型（如BE

xyzroundo
2026-04-08 22:58:11

 642

 7

#人工智能 #AI #word2vec
BERT十年演进

摘要： BERT（2015-2025）从静态词向量演进为动态语义理解的核心技术，彻底改变NLP领域。2018年诞生的BERT通过Transformer和遮蔽语言模型（MLM）实现深度双向理解，衍生出RoBERTa、ALBERT等优化版本。2025年，BERT进化为RAG（检索增强生成）的核心编码器，支持万亿级知识检索，并通过eBPF实现内核级语义安全审计。同时，1.58-bit极速编码使其能部署在

 jzwspace
2026-02-13 11:42:21

 687

 8

#bert #深度学习 #人工智能 +3
数据清洗十年演进

摘要：数据清洗技术经历了从规则脚本（2015-2018）到AI增强（2019-2022）再到LLM语义修复（2025）的智能化跃迁。2025年的核心技术包括：LLM驱动的语义纠偏、eBPF内核级实时质量审计、生成式模型的自愈能力，实现了从“人工找错”到“系统自愈”的质变。关键技术突破体现为：清洗维度扩展至多模态数据、延迟从批处理升级为实时流式处理、安全机制下沉至操作系统内核层。这十年演进使数据清

 jzwspace
2026-02-13 11:37:41

 658

 17

#算法 #机器学习 #人工智能 +3
planning十年演进

过去十年的演进轨迹，是将规划算法从一个**“死板的数学计算器”重塑为“赋能全球物理智能化、具备内核级权限感知与实时安全自愈能力的数字决策大脑”**。你在纠结如何写出完美的 Cost Function 来让车左转时不压线。你在利用 eBPF 审计下的生成式规划系统，放心地让 AI 操纵复杂的机械或车辆，并看着它在内核级的守护下，安全、丝滑且极具智慧地与物理世界进行博弈。

jzwspace
2026-02-13 11:26:42

 822

 18

#算法 #机器学习 #人工智能 +3
轨迹预测十年演进

摘要：轨迹预测技术十年（2015–2025）经历了三大阶段：物理模型期（2015–2018）：依赖卡尔曼滤波等数学方法，但无法处理复杂意图；深度学习期（2019–2023）：通过LSTM、GNN等捕捉交互，实现多模态预测；世界模型期（2025）：整合生成式AI与eBPF内核级安全审计，实现实时博弈与超视距协同预测。 2025年的技术突破包括：端到端生成预测、eBPF强制安全熔断、LLM社会

 jzwspace
2026-02-12 10:24:16

 657

 10

#算法 #机器学习 #人工智能 +3
目标检测十年演进

过去十年的演进轨迹，是将目标检测从一个**“静态图像处理工具”重塑为“赋能全球数字化治理、具备内核级安全感知与实时物理重构能力的数字视网膜”**。你在为模型能准确框出一只“猫”而兴奋。你在利用 eBPF 审计下的检测系统，放心地让 AI 接管繁琐的安全生产监控，并看着它在内核级的守护下，精准、安全地“读懂”这个复杂世界的每一个脉络。

jzwspace
2026-02-12 10:22:43

 614

 25

#目标检测 #人工智能 #计算机视觉 +3
空间智能建图算法十年演进

空间智能建图十年演进（2015-2025）：从基础SLAM发展到生成式神经重建与内核级安全闭环。早期以稀疏点云为主（ORB-SLAM2/LOAM），2019年后引入语义分割和NeRF连续表示，实现高保真重建。2025年突破包括：1）生成式补全地图，通过空间大模型预测残缺场景；2）eBPF内核审计保障空间数据安全，阻断结构注入攻击；3）4D动态建图支持实时物体追踪。技术跨越体现为：地图精度从厘米级到

 jzwspace
2026-02-12 10:20:28

 1190

 23

#算法 #机器学习 #人工智能 +3
VLA十年演进

VLA模型十年演进：从机械控制到具身智能（2015-2025） VLA（视觉-语言-动作）模型是具身智能的核心技术，其发展经历了三个阶段：2015-2021年的模仿学习阶段，机器人只能执行简单任务；2022-2023年的大模型注入阶段，谷歌RT系列实现动作指令编码；2025年进入原生具身时代，模型具备物理常识和实时安全控制能力。关键技术突破包括：动作Token化、eBPF内核级安全审计、世界模型嵌

 jzwspace
2026-02-12 10:19:35

 910

 8

#机器学习 #人工智能 #算法 +3
VLM十年演进

摘要：视觉语言模型（VLM）在2015-2025年间经历了三大技术跨越：从早期的特征对齐（如CLIP）到冻结骨干与Adapter爆发（如LLaVA），最终发展为2025年的原生全模态统一认知。2025年的VLM具备4D时空推理能力，通过eBPF内核审计实现安全交互，并依托1.58-bit压缩技术实现端侧部署。其核心突破在于从“静态图像识别”升级为“实时物理感知”，成为兼具高信度与安全性的“数字视

 jzwspace
2026-02-12 10:18:29

 946

 22

#人工智能 #机器学习 #算法 +3
算法工程化十年演进

摘要： 2015-2025年，算法工程化（MLOps）经历了从实验室手动调参到工业级自动化流水线的革命性演进。早期（2015-2018）以Docker和K8s解决环境一致性问题；中期（2019-2022）通过MLOps工具链实现AI生产闭环；2025年进入“自适应工程”时代，依托eBPF内核调度、Auto-Engineering和LLMOps，实现秒级部署、动态资源调度及内核级安全监控。十年间，算

 jzwspace
2026-02-12 10:13:47

 520

 11

#机器学习 #人工智能 #算法 +3
Infra十年演进

摘要：2015-2025年是AI基础设施从通用云计算向AI原生智算范式转变的十年。经历了三个技术阶段：虚拟化云原生期（2015-2018）聚焦容器化和K8s；算力中心期（2019-2022）以GPU为核心，突破网络和存储瓶颈；2025年进入智算原生时代，实现eBPF内核调度、CXL 3.0内存池化等突破。基础设施演变为具备自愈能力、内核级安全审计和极致能效管理的智能系统，支持万亿参数模型的训练。核

 jzwspace
2026-02-12 10:08:45

 850

 13

#机器学习 #人工智能 #算法 +3
从零开始学Word2Vec：小白到大模型的入门教程

本文系统介绍了Word2Vec技术，包括其核心概念、Skip-Gram和CBOW两种模型架构，以及构建自定义模型的完整流程。文章通过具体代码示例展示了从数据预处理到模型训练的实现过程，并提供了词相似度和词类比两种评估方法。同时分析了Word2Vec在语义捕捉方面的优势与多义词处理等局限性，最后列举了其在文本相似度计算、情感分析等NLP领域的实际应用场景，为初学者提供了全面的技术指南。

程序员王饱饱
2026-01-25 19:51:29

 582

 13

#word2vec #人工智能 #语言模型
RAG概念

*RAG（Retr⁠ieval-Augmented ‌Generation，检索增强生成）**是一种结合信息检索技术和 A‎I 内容生成的混合架构，可以解决‌大模型的知识时效性限制和幻觉问题。简单来说，RA⁠G 就像给 AI 配了一个‌ “小抄本”，让 AI 回答问题前先查一查特定的知识‎库来获取知识，确保回答是基‌于真实资料而不是凭空想象。从技术角度看，R⁠AG 在大语言模型生成回答之前‌会先从

 2301_78125917
2026-01-23 10:53:02

 939

 24

#java #深度学习 #机器学习 +1
LangChain十年演进（2015–2025）

摘要： LangChain从2022年开源至今（2015-2025），已从简单的链式LLM工具框架跃升为支持万亿级多模态VLA Agent的智能平台。中国厂商（阿里、百度、华为等）快速跟进并领跑，推动框架效率提升1000倍+，渗透率超60%。其演进分为三阶段：2015-2021年手工调用期；2022-2023年模块化Agent元年；2024-2025年多模态VLA自进化时代，融合量子鲁棒技术，实现

 jzwspace
2026-01-10 19:43:44

 787

 18

#学习 #人工智能 #word2vec +3
Diffusion模型十年演进（2015–2025）

Diffusion模型十年演进摘要（2015–2025） 2015年Diffusion模型仅作为学术概念萌芽，2025年已发展为支持电影级8K视频、10分钟长时序生成的多模态AI引擎。中国从早期跟随（2017）到全球领跑（Kling/Vidu等），推动技术跨越：2019年DDPM框架成熟，2021年实现高分辨率图像生成，2023年进入文本到视频爆发期（Sora/Kling）。2025年核心突破包括

 jzwspace
2026-01-09 10:04:19

 861

 24

#学习 #word2vec #人工智能 +3
AutoML十年演进（2015–2025）

摘要： 2015-2025年，AutoML从Google初代实验发展为万亿级多模态大模型驱动的智能自进化系统，效率提升超10万倍。中国从跟随者跃升为全球领跑者，华为、阿里、百度等企业推动技术迭代：2015-2018年以手工NAS为主；2019-2022年多保真并行优化实现千倍效率突破；2023-2025年进入VLA自进化时代，量子加速+意图级自适应实现秒级调优。AutoML渗透率从<5%增至

 jzwspace
2026-01-09 09:56:41

 795

 16

#学习 #word2vec #人工智能 +4
模仿学习十年演进（2015–2025）

摘要： 2015-2025年，模仿学习从依赖小样本行为克隆（BC）的学术研究，发展为多模态VLA大模型驱动的产业核心技术。中国从跟随DAgger/GAIL到领跑全球，宇树、银河通用等企业推动训练效率提升百万倍，零样本泛化率从70%跃升至99%以上。演进分为三阶段：2015-2018年以BC+DAgger为主；2019-2022年实现多任务万级并行模仿；2023-2025年进入VLA自进化时代，实现

 jzwspace
2026-01-09 09:47:46

 1227

 29

#学习 #word2vec #人工智能 +4
Word2Vec十年演进（2015–2025）

摘要： 2015年Word2Vec作为静态词向量代表主导NLP领域，准确率70-80%。2019年起，BERT等预训练模型实现动态句向量（准确率90%+），中国厂商百度ERNIE、华为盘古崛起。2023年后，多模态大模型（如CLIP、通义千问）实现视觉语言联合嵌入，准确率突破95%。至2025年，VLA自进化模型（DeepSeek-Embed等）融合量子计算，实现全域动态意图理解，中国在万亿参数训

 jzwspace
2026-01-08 08:23:15

 1000

 14

#word2vec #人工智能 #自然语言处理 +4
法准速查智能RAG系统

本项目基于RAG技术开发了一个法律文书智能解读系统，旨在解决法律文书专业术语难懂、咨询成本高的问题。系统采用三级缓存架构（Redis、MySQL、RAG引擎）实现高效检索，通过BM25算法和混合检索策略提升匹配精度。核心技术包括：使用BGE-M3模型进行文本向量化，支持稠密和稀疏向量检索采用LangChain框架整合文档处理流程部署BERT微调模型进行意图识别实现四种检索策略（直接检索、H

田井中律.
2026-01-03 20:48:29

 2055

 79

#milvus #python #word2vec +1
LangChan4j相关用法

人工智能服务 AIService。

2301_78125917
2025-12-31 12:41:10

 811

 19

#java #word2vec
构筑 AI 理论体系：深度学习 100 篇论文解读第二十篇：赋予单词语义空间——Word2Vec (2013)

作者国籍机构（2013 年时）核心贡献捷克Google提出了高效训练词嵌入的方法 CBOW 和 Skip-gram。Kai Chen中国Google核心架构开发者。美国GoogleGoogle 大神，支持模型的大规模并行实现。信息项详情论文题目发表年份2013 年出版刊物核心命题如何高效地将海量单词映射到低维、稠密的向量空间中，使向量的几何关系能代表语义关系？词向量本质上是一串固定长度的数字。向量

 腾TO的技术输出
2025-12-17 13:48:35

 963

 5

#人工智能 #深度学习 #word2vec
【AI】Word2Vec和现代LLM的embedding

砍掉了计算昂贵的非线性隐藏层。使用 Hierarchical Softmax 将输出层的计算复杂度从线性级降为对数级。利用 CBOW（上下文测中心词）或 Skip-gram（中心词测上下文）作为“假想任务”来训练权重，这些权重最终就是我们想要的词向量。Word2Vec 论文中之所以出现 100 万这样巨大的词表，是因为当时还没有广泛应用子词分词技术，必须“死记硬背”每一个单词的每一个形态。正如论文

 Olafur_zbj
2025-11-26 11:13:07

 1126

 25

#人工智能 #word2vec
深度学习：词嵌入之word2vec

http://blog.csdn.net/pipisorry/article/details/76147604word2vec简介深度学习在自然语言处理中第一个应用：训练词嵌入。Google 的 Tomas Mikolov 在《Efficient Estimation of Word Representation in Vector Space》和《Distributed ...

-柚子皮-
2017-07-26 15:24:57

 1.1w

 9

#深度学习 #word2vec
深度学习术语：词嵌入（大模型基础）

从词嵌入的基本概念出发，介绍了Word2Vec、GloVe和BERT等主要方法的原理和特点。

达芬奇不喝芬达
2024-05-23 19:34:11

 2228

 27

#语言模型 #人工智能 #自然语言处理 +3
【万文超详总结】深入总结检索技术演进，对比稠密嵌入（BERT、BGE-M3）和稀疏嵌入（TF-IDF、BM25）的优劣，并验证混合检索策略的优越性。进一步总结RAPTOR和GraphRAG处理复杂知识

摘要：本文系统梳理了RAG（检索增强生成）技术的核心概念及应用实践。首先介绍RAG的基本原理和系统架构，分析其通过实时检索外部知识库增强生成模型能力的特点。随后深入探讨检索技术演进，对比稠密嵌入（BERT、BGE-M3）和稀疏嵌入（TF-IDF、BM25）的优劣，并验证混合检索策略的优越性。进一步探讨结构化索引方法（RAPTOR和GraphRAG）在处理复杂知识时的表现。最后提出Agentic R

名为沙丁鱼的猫446
2025-11-03 22:54:22

 1734

 53

#人工智能 #自然语言处理 #机器学习 +4
Word2Vec词向量训练：从原理到实战，程序员必懂的NLP入门必修课

词向量是自然语言处理（NLP）的“地基”——它将人类语言中的词转换为计算机能理解的数值向量，让模型学会“理解”词语间的语义关联。作为最经典的词向量模型，Word2Vec（2013年由Google提出）至今仍是NLP入门的核心知识点，也是后续学习BERT、GPT等大模型的前置技能。本文从现象观察（为什么词向量重要？）、技术解构（Word2Vec怎么工作？）、产业落地（企业怎么用？）、实战代码（程序员

 沛沛老爹
2025-10-27 22:54:06

 1563

 22

#自然语言处理 #word2vec #人工智能
AI大模型RAG系统构建： Word2Vec、 BERT、BGE-M3、LLM2Vec，embedding模型如何科学选择？看完这篇你就知道了！！

文章是"向量数据库POC指南"系列之二，重点讲解在大模型落地过程中如何科学选择embedding模型。文章介绍了embedding的本质、三类向量特性对比、评估模型的八大要素（如上下文窗口、分词方式、向量维度等），并对Word2Vec、BERT、BGE-M3等主流模型进行了分析。最后提供了实施建议，强调应根据业务场景选择最适合的模型，而非追求单一最优解。

小涂Ss
2025-09-22 17:31:06

 1077

 6

#人工智能 #word2vec #bert
Mirix初体验

总而言之，Mirix 给我的感觉，是惊喜远大于其现有的瑕疵。它不是一个遥不可及的未来概念，而是一个已经可以下载、可以运行、可以亲手体验的“未来工具”。它让我们真实地瞥见了“通用人工智能助理”时代的一缕曙光。虽然离成为人人可用的成熟产品还有很长的路要走，但 Mirix 所展示出的方向和潜力，足以让我这个数字世界的“老兵”感到兴奋。最后，附上项目链接，强烈推荐有动手能力的同学亲自尝试一番：如果你拥有这

 hall_JC
2025-08-15 16:35:14

 954

 22

#数据挖掘 #计算机视觉 #目标检测 +4
用Gensim玩转三国人物关系：从词向量到语义运算的实战指南【大模型应用班-第4课 Embedding与向量数据库实战指南：从原理到落地应用】

摘要：本文介绍了基于Word2Vec词向量技术的三国人物关系分析案例。通过jieba分词工具处理《三国演义》文本，使用Word2Vec模型训练获得人物词向量，实现人物语义关系挖掘。实验结果显示，与曹操最相似的人物包括孙权、袁绍等，相似度在0.43-0.5之间。技术方案包含完整的数据预处理、模型训练和相似度计算流程，可扩展应用于推荐系统、文本分析等领域。文中还提供了模型参数优化建议和常见问题解决方案

 chenchihwen
2025-07-31 20:51:13

 1143

 29

#人工智能 #word2vec
文本嵌入方案大总结：从词向量到句向量

2024.11.13阶段性总结方案挑选从简单到复杂，简单方案有简单方案的优点，有时候杀鸡不需要牛刀。面对一个场景，不知道怎么选方案或模型时，可以优先用Glove或者Fasttext完成词向量训练，使用词向量平均的方式来获得句向量，成本非常低，快速在应用中构建出一个基准模型，后期若发现应用中存在着多义词、或者或句子中词的顺序敏感的场景，则可以考虑换用bert类的方法进行微调或者直接使用专门的嵌入模型

 落叶阳光
2024-11-14 08:30:00

 1981

 18

#bert #word2vec
基于text2vec 和 fast-pytorch-kmeans 的文本聚类实现，利用GPU加速提高聚类速度

使用text2vec模型，把文本转成向量。使用text2vec训练好的模型权重进行文本编码，不重新训练word2vec模型。利用pytorch在cuda上加速聚类计算。

jieshenai
2024-03-14 09:19:18

 2308

 24

#word2vec #kmeans #pytorch
word2vec模型

如果w1和w2两个单词词义相近，那么w1和w2两个单词的向量表达应该是类似或相近的。word2vec尝试去表达单词之间的关系。

Valdemar_Yu
2023-06-13 00:25:16

 934

#word2vec #人工智能
word2vec、glove和 fasttext 的比较

Word2vec处理文本任务首先要将文字转换成计算机可处理的数学语言，比如向量，Word2vec就是用来将一个个的词变成词向量的工具。word2vec包含两种结构，一种是skip-gram结构，一种是cbow结构，skip-gram结构是利用中间词预测邻近词，cbow模型是利用上下文词预测中间词这两种模型有三层，输入层，映射层，输出层，隐藏层是线性结构，所以相对于语言模型训练较快。...

sun_brother
2018-05-17 08:59:26

 2.6w

 21

#word2vec
生成中文词向量和句向量的Word2Vec和Doc2Vec实现

qquad本文主要介绍如何使用Python中的spacy、jieba、gensim等库，通过使用Word2Vec和Doc2Vec模型生成中文词向量和句向量。\qquad其中，spacy是一个用于自然语言处理的库，支持多语言，其中包括中文。jieba是一个中文分词库，可以将中文文本分词。gensim是一个开源的Python库，用于处理文本数据，其中包括生成词向量和句向量的Word2Vec和Doc2V

ALG GO
2023-03-28 20:32:22

 1996

 2

#word2vec #python #机器学习
word2vec算法

word2vec1 算法的基本思想2 举例说明2.1 构造训练数据2.2 数字化表示单词对2.3 定义网络结构2.4 隐藏层2.4 输出层3 直觉的启示4 下篇预告本文是一篇翻译的文章，原文链接是：http://mccormickml.com/2016/04/19/word2vec-tutorial-the-skip-gram-model/如果你的英语很好，强烈建议直接阅读原文。这篇文章写的...

Lavi_qq_2910138025
2019-07-01 16:30:54

 3494

 7

#word2vec
基于python的Word2Vec从分词到训练数据集详解

利用gensim的Word2Vec训练原始语料。得到分词后的结果和训练出的语料集。

TYOUKAI_
2017-09-09 21:13:16

 1.7w

 9

#python #word2vec
LDA2vec: LDA + word2vec

LDA2vec：Christopher Moody在2016年一月提出的一种新的主题模型算法。学习资源如下github：https://github.com/cemoody/lda2vecPPT分享：http://pan.baidu.com/s/1gewC1mbLDA2vec与LDA的简单比较：http://www.datasciencecentral.com/profiles/b

winkake
2016-04-26 14:23:02

 1.5w

 3

#word2vec
NLP模型（一）——word2vec实现

word2vec算法中skip-gram的实现

 Suppose-dilemma
2022-11-11 12:45:01

 2696

 7

#自然语言处理 #word2vec #算法
word2vec以及GloVe总结

词向量词向量，顾名思义，就是把一个单词或词语表示成一个向量的形式，这是因为在计算机中无法直接处理自然语言，需要把它转化为机器能够理解的语言，比如数值等。最简单的方式是把一个个单词表示成one-hot的形式。例如有三个句子：我/喜欢/小狗/喜欢/喝咖啡我/不喜欢/喝咖啡你/喜欢/什么/东西词汇表为:我、你、喜欢、不喜欢、小狗、喝咖啡、什么、东西然后对每一个词做one-hot编码：“我”就是[1

littlely_ll
2017-12-31 12:46:55

 1.3w

 8

#word2vec
【论文】文本相似度计算方法综述

概述在信息爆炸时代，人们迫切希望从海量信息中获取与自身需要和兴趣吻合度高的内容，为了满足此需求，出现了多种技术，如：搜索引擎、推荐系统、问答系统、文档分类与聚类、文献查重等，而这些应用场景的关键技术之一就是文本相似度计算技术。因此了解文本相似度的计算方法是很有必要的。文本相似度定义文本相似度在不同领域被广泛讨论，由于应用场景不同，其内涵有所差异，故没有统一、公认的定义。Lin从信息论的角度...

搜索与推荐Wiki
2019-11-07 15:55:25

 8109

 6

#word2vec #搜索引擎
word2vec实践及对关键词聚类

在搜索领域query的处理变得越来越重要，其中分类就是很重要的一环，对query分类是比较难的工程，因为query普遍较短，含有的信息（熵）很少，所以很难进行分类，普遍的方法是对query进行扩展，例如抓取搜索引擎的结果，或是直接将query扩展到对应的doc，然后对doc进行分类，对doc分类就变得容易了，而且准确率比较高，最近看到word2vec很火，使用的是无监督的机器学习，也就是不需要标注

 desionwang
2013-11-22 17:58:46

 1.2w

 2

#word2vec #聚类
word 直线、虚线、波浪线、通过快捷键生成方

输入3个【=】 +【回车键】，即可。输入3个【#】 +【回车键】，即可。输入3个【*】 +【回车键】，即可。输入3个【~】+【回车键】，输入3个【-】+【回车键】

生活之外
2022-10-12 10:11:11

 3109

#word2vec #学习 #文档资料
词语向量化-word2vec简介和使用

前言最初听闻word2vec还在读研了。当时挺感兴趣的，不过一直忙于毕业事项，没好好研究下，对word2vec也只是概念上的了解，直到这两天有空才能专门学习下这方面的知识。知识不经过整理很容易忘记，尤其像这种算法类的，一次性理解透彻~~至少对我这水平的来说还是比较困难，必须经过多个阶段学习才行，每个阶段都做好总结，这样有利于下个阶段的学习。本文主要从我的学习经历介绍下word2vec，还是以实践为

 宇毅
2017-06-09 02:39:47

 3.2w

 21

#算法 #word2vec
文本预处理介绍

介绍文本结巴分词使用,词向量转化方法进行文本处理方便模型使用

 I＇m happy
2024-12-08 11:59:51

 1423

 29

#人工智能 #自然语言处理 #word2vec
GoogleNews-vectors-negative300.bin 下载

链接: https://pan.baidu.com/s/1Y6wsmeYoS4tAJx9kAWPAYQ?pwd=1314 提取码: 1314。通过网盘分享的文件：大模型相关资源。--来自百度网盘超级会员v6的分享。

lvyq_ai
2025-04-24 16:41:11

 457

 4

#python #word2vec
world中单词中的字符或者数字之间间距不正常

1：首先选中所要调整的字符或者数字。2：如下图所示，点击半角或者全角。

保护wo方小白
2022-08-21 14:21:59

 827

#经验分享 #word2vec
自然语言处理：NLP数据清洗（re库、nltk库的使用）

清洗数据

 @ZiFenf
2024-01-27 13:44:01

 1486

 3

#python #自然语言处理 #nlp +1
词嵌入、nn.Embedding()、Word2Vec三者之间是什么关系

它的输入是一个整数，代表词汇表中的单词索引，输出是与之对应的词向量。词嵌入矩阵可以是预训练的（如使用 Word2Vec 或 GloVe 生成的词向量），也可以是随机初始化的，让模型在训练过程中学习优化。关系总结：词嵌入是一种将词映射到向量空间的技术，Word2Vec 是实现词嵌入的一种方法，而 nn.Embedding() 是在 PyTorch 框架中创建和管理词嵌入矩阵的工具。词嵌入（Word

K同学啊
2023-04-26 18:47:01

 2379

 4

#word2vec #深度学习 #人工智能
LSTM之文本分类实例

待分类数据为已经分词的文本文档，其中每一行代表一篇文章，分词较为粗糙，未进行停用词过滤，使用停用词过滤后效果应该会有明显提升。1、加载数据# -*- coding: utf-8 -*-import sysreload(sys)sys.setdefaultencoding('utf-8')def loadData(fileName):#读取分词数据，存储在list列表里，每个

 data_scientist
2018-01-12 16:13:53

 1w

 2

#keras #word2vec
[论文阅读] (24) 向量表征：从Word2vec和Doc2vec到Deepwalk和Graph2vec，再到Asm2vec和Log2vec(一)

《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座，并分享给大家，希望您喜欢。前一篇介绍了两个作者溯源的工作，从二进制代码和源代码两方面实现作者去匿名化或识别。这篇文章主要介绍六个非常具有代表性的向量表征算法，它们有特征词向量表示、文档向量表示、图向量表示，以及两个安全领域二进制和日志的向量表征。通过类似的梳理，让读者看看这些大佬是如何创新及应用到新领域的，希望能帮助到大家。

Eastmount
2022-09-19 15:40:30

 6228

 13

#论文阅读 #word2vec #人工智能

加载更多

回到
顶部

提供社区服务与技术支持

提供社区服务与技术支持

©1999-2023北京创新乐知网络技术有限公司京ICP备19004658号