word2vec预训练模型

WordVec是一个词向量预训练模型。它可以将每个单词表示为一个固定长度的向量，使得具有相似上下文的单词在向量空间中距离更近。Word2Vec模型有两种训练模型：CBOW（Continuous Bag of Words）和Skip-Gram。CBOW模型试图通过上下文中的周围单词来预测中心单词，而Skip-Gram模型则相反，通过中心单词来预测周围单词。这两种模型都在大规模数据上进行训练，并且可以用于提取词特征、句子特征，以及提升自然语言处理（NLP）任务的性能，如分类、序列标注和序列转换。Word2Vec的提出具有重要意义，为后续更广泛应用的GloVe、ELMo、GPT、BERT等模型的研究奠定了基础。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *3* [【原创】预训练词表示之word2vec(一)](https://blog.csdn.net/u010567574/article/details/109501184)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
- *2* [NLP文本分类实战（二）-- 预训练word2vec模型](https://blog.csdn.net/weixin_40437821/article/details/102638337)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]