word2vec詞向量怎么來的？2013年，谷歌推出了一款開源的word矢量計算工具word2vec，引起了業(yè)界和學術(shù)界的關注。首先，word2vec可以在數(shù)百萬個詞典和數(shù)億個數(shù)據(jù)集上進行有效的訓練；

word2vec詞向量怎么來的？

2013年，谷歌推出了一款開源的word矢量計算工具word2vec，引起了業(yè)界和學術(shù)界的關注。首先，word2vec可以在數(shù)百萬個詞典和數(shù)億個數(shù)據(jù)集上進行有效的訓練；其次，wordembedding工具的訓練結(jié)果可以度量量詞之間的相似度。隨著深度學習在自然語言處理中的普及，許多人錯誤地認為word2vec是一種深度學習算法。實際上，word2vec算法的背后是一個淺層的神經(jīng)網(wǎng)絡。需要強調(diào)的另一點是，word2vec是一個用于計算worddirector的開源工具。當我們談到word2vec算法或模型時，實際上是指用于計算wordvector的cbow模型和skip-gram模型。很多人認為word2vec是指一種算法或模型，這也是一種謬誤。接下來，本文將從統(tǒng)計語言模型入手，詳細介紹word2vec工具背后算法模型的起源和發(fā)展。細節(jié)：網(wǎng)頁鏈接

主題描述不清楚。它是隨機給出一個向量，然后找到最接近向量的單詞。

我仍然知道確切的向量，并找到這個向量對應的單詞。這兩者有很大的區(qū)別。

如果我們需要找到最接近余弦相似度的單詞，最簡單的方法是計算所有單詞向量的余弦相似度，并輸出最大余弦相似度的單詞。但一般來說，這種方法的性能風險很高，因此需要考慮使用一種特殊的數(shù)據(jù)結(jié)構(gòu)進行存儲。

word2vec，有了詞向量，怎么通過詞向量反推出這個詞？

Word2vec本質(zhì)上是一個矩陣分解模型。簡言之，矩陣描述了每個單詞和上下文中的一組單詞之間的相關性。對矩陣進行分解，只取隱藏空間中每個單詞的向量。

所以word2vec適用于一個數(shù)據(jù)序列，該序列的本地數(shù)據(jù)之間有很強的相關性。典型的是文本的順序，相鄰的詞是密切相關的，甚至一個詞的上下文都可以大致預測中間的詞是什么。所學習的詞向量表示詞的語義，可用于分類、聚類和相似度計算。另外，word2vec的分層分類器或抽樣方法實際上對流行項做了大量的懲罰，因此不會像一般的矩陣分解那樣，語義相似的最后一個詞就是流行詞，這是word2vec的一個很好的特點。

對于短文本分類，我們直接在文檔中加入所有的詞向量作為文本特征來訓練分類器，效果也很好。該方法也應用于word2vec的訓練過程中。另外，如果改用RBF核支持向量機等非線性分類器，分類精度會更高，也符合預期。

其他序列的數(shù)據(jù)也可以這樣做。我記得去年關于KDD的文章deepwalk，使用社交網(wǎng)絡上的隨機游走來生成節(jié)點序列，然后使用word2vec來訓練每個節(jié)點對應的向量。但我用這種方法在QQ社交網(wǎng)絡上做了一些實驗，發(fā)現(xiàn)效果很不理想，這可能與QQ社交網(wǎng)絡的復雜性有關。

我非常滿意的一個應用程序是將word2vec應用到用戶的應用程序下載序列。根據(jù)用戶的app下載序列，將app視為一個詞，也可以形成這樣的序列數(shù)據(jù)，然后訓練每個app對應的向量。利用這個向量來計算應用之間的相似度，效果非常好。它可以聚合真正與內(nèi)容相關的應用程序，同事可以避免受流行應用程序的影響。類似的場景應該有很多，而且應用也很廣泛，比如推薦系統(tǒng)和廣告系統(tǒng)。