word2vec generates word vector by t

word2vec generates word vector by two different schemes of language modeling: continuous bag
of words (CBOW) and skip-gram (Mikolov et al.,2013a; Mikolov et al., 2013b). In the CBOW method, the goal is to predict a word given the surrounding words, whereas in skip-gram, given a single word, window or context of words are predicted. We can say skip-gram model is opposite of CBOW model. Both models are neural network based language model and take huge corpus as an input and learn vector representation foreach words in the corpus. We used freely available word2vec2 tool for our purpose. Apart from the choice of architecture skip-gram or CBOW, word2vec has several parameters including size of context window, dimension of vector, which effect the speed and quality of training

Kết quả (Việt) 1:

word2vec tạo ra từ vector của hai chương trình khác nhau của mô hình ngôn ngữ: túi liên tụccác từ (CBOW) và bỏ qua-gam (Mikolov et al., 2013a; Mikolov et al., 2013b). Trong phương pháp CBOW, mục tiêu là để dự đoán một từ được đưa ra từ xung quanh, trong khi ở skip-gam, được đưa ra một từ duy nhất, cửa sổ hoặc các bối cảnh của các từ được dự đoán. Chúng tôi có thể nói mô hình skip-gam là đối diện của mô hình CBOW. Cả hai mô hình là mô hình dựa trên ngôn ngữ mạng nơ-ron và mất corpus lớn như là một đầu vào và tìm hiểu vector đại diện foreach từ trong the corpus. Chúng tôi sử dụng công cụ miễn phí có sẵn word2vec2 cho mục đích của chúng tôi. Ngoài các sự lựa chọn của kiến trúc skip-gam hoặc CBOW, word2vec có một số thông số bao gồm kích thước của cửa sổ bối cảnh, kích thước của véc tơ, mà có hiệu lực tốc độ và chất lượng đào tạo

Kết quả (Việt) 2:

word2vec tạo vector từ bằng hai chương trình khác nhau của mô hình ngôn ngữ: túi liên tục
của các từ (CBOW) và skip-gram (. Mikolov et al, 2013a; Mikolov et al, 2013b.). Trong phương pháp CBOW, mục tiêu là để dự đoán một từ được các từ xung quanh, trong khi bỏ qua-gram, được đưa ra một từ duy nhất, cửa sổ hoặc ngữ cảnh của các từ được dự đoán. Chúng tôi có thể nói mô hình bỏ qua-gram là đối diện của mô hình CBOW. Cả hai mô hình là mạng nơron mô hình ngôn ngữ dựa và mất tập văn lớn như một đầu vào và học từ foreach đại diện vector trong corpus. Chúng tôi sử dụng công cụ word2vec2 tự do có sẵn cho mục đích của chúng tôi. Ngoài các lựa chọn cấu trúc skip-gram hoặc CBOW, word2vec có một số thông số bao gồm kích thước của cửa sổ bối cảnh, kích thước của vector, mà ảnh hưởng đến tốc độ và chất lượng đào tạo