NLP+2vec︱认识多种多样的2vec向量化模型 - 素质云笔记/Recorder... - CSDN博客

版权声明：博主原创文章，微信公众号：素质云笔记,转载请注明来源“素质云博客”，谢谢合作！！ https://blog.csdn.net/sinat_26917383/article/details/69666596

来自于github一位博主的整理，好多都没有看到过+还有我一直期待去研究的。
github：https://github.com/MaxwellRebo/awesome-2vec

1、word2vec

耳熟能详的NLP向量化模型。
Paper: https://papers.nips.cc/paper/5021-distributed-representations-of-words-and-phrases-and-their-compositionality.pdf

Java: http://deeplearning4j.org/word2vec

C++: https://github.com/jdeng/word2vec

Python:

https://radimrehurek.com/gensim/models/word2vec.html
https://github.com/danielfrg/word2vec

2、doc2vec

Paper: https://cs.stanford.edu/~quocle/paragraph_vector.pdf

Python: https://radimrehurek.com/gensim/models/doc2vec.html

word2vec模型对词向量进行平均处理，我们仍然忽略了单词之间的排列顺序对情感分析的影响。即上述的word2vec只是基于词的维度进行”语义分析”的，而并不具有上下文的”语义分析”能力。

　　作为一个处理可变长度文本的总结性方法，Quoc Le 和 Tomas Mikolov 提出了 Doc2Vec方法。除了增加一个段落向量以外，这个方法几乎等同于 Word2Vec。和 Word2Vec 一样，该模型也存在两种方法：Distributed Memory(DM) 和 Distributed Bag of Words(DBOW)。DM 试图在给定上下文和段落向量的情况下预测单词的概率。在一个句子或者文档的训练过程中，段落 ID 保持不变，共享着同一个段落向量。DBOW 则在仅给定段落向量的情况下预测段落中一组随机单词的概率。
（参考：Algorithm & NLP] 文本深度表示模型——word2vec&doc2vec词向量模型 ）

3、tweet2vec

Paper: https://arxiv.org/abs/1605.03481

Python: https://github.com/bdhingra/tweet2vec

一些社交文本中的语言结构跟书面语大不相同，所以作者别出心裁的特意做了一个基于字符组合的模型，其可以基于整个微博环境下复杂、非正常语言的字符串中学习到一种向量化的表达方式。

4、batter-pitcher-2vec

Python: https://github.com/airalcorn2/batter-pitcher-2vec

5、illustration-2vec

Python: https://github.com/rezoo/illustration2vec

6、lda2vec

Paper: https://arxiv.org/pdf/1605.02019v1.pdf

Slideshare: http://www.slideshare.net/ChristopherMoody3/word2vec-lda-and-introducing-a-new-hybrid-algorithm-lda2vec-57135994

Python: https://github.com/cemoody/lda2vec

将LDA与word2vec相结合，LDA是我比较在意的研究方向，这个模型很早提出，不过应用地倒是不多。

这里写图片描述
lda2vec the topics can be ‘supervised’ and forced to predict another target.

7、sentence2vec

Python: https://github.com/klb3713/sentence2vec

8、wiki2vec

Java/Scala: https://github.com/idio/wiki2vec

9、topicvec

Paper: http://bigml.cs.tsinghua.edu.cn/~jun/topic-embedding.pdf

Python: https://github.com/askerlee/topicvec

10、entity2vec

Python: https://github.com/ot/entity2vec

Paper: http://www.di.unipi.it/~ottavian/files/wsdm15_fel.pdf

11、str2vec

Python: https://github.com/pengli09/str2vec

12、node2vec

Paper: https://arxiv.org/abs/1607.00653

Page: https://snap.stanford.edu/node2vec/

Python: https://github.com/aditya-grover/node2vec

可见：笔记︱基于网络节点的node2vec、论文、算法python实现

13、item2vec

Paper: https://arxiv.org/abs/1603.04259

14、author2vec

Paper: https://www.microsoft.com/en-us/research/publication/author2vec-learning-author-representations-by-combining-content-and-link-information/

15、playlist-to-vec

Python: https://github.com/mattdennewitz/playlist-to-vec

16、sense2vec

Paper: https://arxiv.org/abs/1511.06388

17、med2vec

Paper: https://arxiv.org/abs/1602.05568

Python: https://github.com/mp2893/med2vec

SCODE Word Embeddings using Substitute Words

Python: https://github.com/ai-ku/wvec

18、game2vec

Python: https://github.com/warchildmd/game2vec

19、paper2vec

Paper: https://arxiv.org/pdf/1703.06587.pdf

原网址: 访问
创建于: 2019-01-17 15:24:38
目录: default
标签: 无

未标明原创文章均为采集，版权归作者所有，转载无需和我联系，请注明原出处，南摩阿彌陀佛，知识，不只知道，要得到

请先后发表评论
  • 最新评论
  • 总共0条评论