李宏毅机器学习-课件_19-word2vec (v2).pdfVIP

下载本文档

3
0
约1.41万字
约 24页
2023-10-24 发布于北京
举报
版权申诉

李宏毅机器学习-课件_19-word2vec (v2).pdf

此“教育”领域文档为创作者个人分享资料，不作为权威性指导和指引，仅供参考

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

简介：本文主要介绍了无监督学习中的词向量模型（WordEmbedding），包括单词表示、模型构建、以及相关的应用场景。概述：本文从单词表示的角度探讨了无监督学习中，通过机器学习从文本数据中自动提取词组结构的技术。通过比较多种文本数据集，发现词向量模型可以有效地解析复杂的文本信息，从而提高了文本挖掘的效率。此外，文中还提到了一些相关的技术细节，如语义分析、语义分割等。关键词：机器学习，词向量，文本处理，无监督学习，词组结构，语义分析，语义分割，段落识别，分词，文本分类。

Unsupervised Learning: Word Embedding 1 Word Embedding • Machine learns the meaning of words from reading a lot of documents without supervision Word Embedding tree flower dog rabbit run jump cat 1-of-N Encoding Word Embedding apple = [ 1 0 0 0 0] dog bag = [ 0 1 0 0 0] rabbit run cat = [ 0 0 1 0 0] jump cat dog = [ 0 0 0 1 0] tree flower elephant = [ 0 0 0 0 1] Word Class class 1 Class 2 Class 3 dog ran flower cat bird jumped tree apple walk Word Embedding • Machine learns the meaning of words from reading a lot of documents without supervision • A word can be understood by its context You shall know a word 蔡英文、馬英九are by the company it keeps something very similar 馬英九520宣誓就職蔡英文520宣誓就職 How to exploit the context? • Count based • If two words w and w frequently co-occur, V(w ) and i j i V(w ) would be close to each other j • E.g. Glove Vector: /projects/glove/ V(w ) . V(w ) Ni,j i j Inne