《表1 词向量模型比较分析》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《多媒体网络舆情语义识别的关键技术分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

2) 词向量模型及其比较分析:在分词的基础上，将人类可以理解的文本信息，转化为计算机能够理解的信息，成为了自然语言处理中的一项关键技术。2013年Mikolov等提出了Word2vec模型[16]可以快速而高效地训练词向量，体现词与词之间的关联度关系。Word2vec模型包含两种基于神经网络的训练模型，一是CBOW（Continue Bag of Word）模型，另一种是Skip-gram模型。CBOW模型是通过上下文来预测当前词而Skip-gram模型则是通过当前词来预测其上下文。两种相反的训练方法对应了不同的数据需求。CBOW在小型语料库中表现良好，而Skip-gram则在大型语料库表现更为出色。由于两种算法在针对大量数据的时候，参数训练的规模都空前巨大，极耗费时间。因此Mokolov引入了两种优化算法Hierarchical Softmax和Negative Sampling。两种训练算法与两种优化算法相结合可以得到四种框架。CBOW和Skip-gram的对比分析如表1所示。