Word2vec

Word2vec是一群用來產生詞向量的相關模型。這些模型為淺层雙層的神經網路，用來訓練以重新建構語言學之詞文本。網路以詞表現，並且需猜測相鄰位置的輸入詞，在word2vec中词袋模型假設下，詞的順序是不重要的。

訓練完成之後，word2vec模型可以把每個詞映射到一個向量，來表示詞与詞之間的關係。該向量為神經網路的隱藏層。

Word2vec依賴skip-grams或連續詞袋（CBOW）來建立神經詞嵌入。Word2vec為托馬斯·米科洛夫（Tomas Mikolov）在Google帶領的研究團隊創造。該演算法漸漸被其他人所分析和解釋。

Skip-grams和CBOW
CBOW把一個詞從詞窗剔除。在CBOW下給定詞圍繞著詞，word2vec預測一個句子中其中一個缺漏的詞，即以機率p(c|w)來表示。相反地，Skip-gram給定詞窗中的文本，預測當前的詞p(w|c)。

延伸
Word2vec用來建構整份文件（而分獨立的詞）的延伸應用已被提出，
該延伸稱為paragraph2vec或doc2vec，並且用C、Python和 Java/Scala實做成工具（參考下方）。Java和Python也支援推斷文件嵌入於未觀測的文件。

分析
對word2vec框架為何做词嵌入如此成功知之甚少，約阿夫·哥德堡（Yoav Goldberg）和歐莫·列維（Omer Levy）指出word2vec的功能導致相似文本擁有相似的嵌入（用余弦相似性計算）並且和約翰·魯伯特·弗斯的有關。

實作

• [https://code.google.com/p/word2vec/ C]
• [https://web.archive.org/web/20160305131924/http://deeplearning4j.org/word2vec.html Java/Scala]
• [https://github.com/tensorflow/tensorflow/blob/r1.1/tensorflow/examples/tutorials/word2vec/word2vec_basic.py Python]
• [http://radimrehurek.com/gensim/models/word2vec.html Python]

參見

• 向量空間模型

参考文献