word2vec有什么用？Word2vec本質(zhì)上是一個(gè)矩陣分解模型。簡(jiǎn)言之，矩陣描述了每個(gè)單詞和上下文中的一組單詞之間的相關(guān)性。對(duì)矩陣進(jìn)行分解，只取隱藏空間中每個(gè)單詞的向量。所以word2vec適用于

word2vec有什么用？

Word2vec本質(zhì)上是一個(gè)矩陣分解模型。簡(jiǎn)言之，矩陣描述了每個(gè)單詞和上下文中的一組單詞之間的相關(guān)性。對(duì)矩陣進(jìn)行分解，只取隱藏空間中每個(gè)單詞的向量。

所以word2vec適用于一個(gè)數(shù)據(jù)序列，該序列的本地?cái)?shù)據(jù)之間有很強(qiáng)的相關(guān)性。典型的是文本的順序，相鄰的詞是密切相關(guān)的，甚至一個(gè)詞的上下文都可以大致預(yù)測(cè)中間的詞是什么。所學(xué)習(xí)的詞向量表示詞的語(yǔ)義，可用于分類、聚類和相似度計(jì)算。另外，word2vec的分層分類器或抽樣方法實(shí)際上對(duì)流行項(xiàng)做了大量的懲罰，因此不會(huì)像一般的矩陣分解那樣，語(yǔ)義相似的最后一個(gè)詞就是流行詞，這是word2vec的一個(gè)很好的特點(diǎn)。

對(duì)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(lái)訓(xùn)練分類器，效果也很好。該方法也應(yīng)用于word2vec的訓(xùn)練過(guò)程中。另外，如果改用RBF核支持向量機(jī)等非線性分類器，分類精度會(huì)更高，也符合預(yù)期。

其他序列的數(shù)據(jù)也可以這樣做。我記得去年關(guān)于KDD的文章deepwalk，使用社交網(wǎng)絡(luò)上的隨機(jī)游走來(lái)生成節(jié)點(diǎn)序列，然后使用word2vec來(lái)訓(xùn)練每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的向量。但我用這種方法在QQ社交網(wǎng)絡(luò)上做了一些實(shí)驗(yàn)，發(fā)現(xiàn)效果很不理想，這可能與QQ社交網(wǎng)絡(luò)的復(fù)雜性有關(guān)。

我非常滿意的一個(gè)應(yīng)用程序是將word2vec應(yīng)用到用戶的應(yīng)用程序下載序列。根據(jù)用戶的app下載序列，將app視為一個(gè)詞，也可以形成這樣的序列數(shù)據(jù)，然后訓(xùn)練每個(gè)app對(duì)應(yīng)的向量。利用這個(gè)向量來(lái)計(jì)算應(yīng)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(guān)的應(yīng)用程序，同事可以避免受流行應(yīng)用程序的影響。類似的場(chǎng)景應(yīng)該有很多，而且應(yīng)用也很廣泛，比如推薦系統(tǒng)和廣告系統(tǒng)。

如何用word2vec計(jì)算兩個(gè)句子之間的相似度？

就是用word2vec來(lái)尋找句子之間的相似性。

今天我想介紹一個(gè)簡(jiǎn)單有效的方法，就是用word2vec來(lái)尋找句子之間的相似度。

首先，選擇同義詞庫(kù)，例如500000個(gè)單詞。然后，使用word2vec計(jì)算所有單詞的向量。然后，為每個(gè)句子構(gòu)造一個(gè)200000維向量。向量的每個(gè)維度是對(duì)應(yīng)單詞和句子中每個(gè)單詞之間的最大相似度。這樣，句子的向量就被構(gòu)造出來(lái)了。因?yàn)榫渥硬惶L(zhǎng)，所以200000維向量的大多數(shù)位置的值是0，因?yàn)榻馐窍∈璧牟⑶覜](méi)有計(jì)算挑戰(zhàn)。

如何用word2vec計(jì)算兩個(gè)句子之間的相似度？

然后使用循環(huán)檢查每個(gè)字符是否相同。在比較完成之前，可以通過(guò)不同的計(jì)數(shù)和總字符長(zhǎng)度來(lái)計(jì)算相似度。如果不同，數(shù)一數(shù)。讀取兩個(gè)文檔的數(shù)據(jù)并將其轉(zhuǎn)換為固定代碼？如果是這樣，那就容易了