如我们所看到的的，结不雅性嵌入是有构造的。事实上，演习的 3D 投影云是螺旋形的，高等其余演习紧跟在较初级其余后面。这也意味着嵌入成功地学会了区分不合级其余演习标题，并且把演习标题从新分组，具有类似级其余被放在了一路。然则这还不是全部，应用非线性的降维技巧之后，我们可以将全部嵌入降维成一个具有雷同特点的实值变量。换句话说，我们获得了一个关于演习复杂度的特点，6 年级（6th）最小，跟着演习越来越复杂，这个变量越来越大年夜，直到 12 年级达到该变量的最大年夜值。

上图展示了我们的嵌入可以或许进修到的关系的一些实例。所以当我们问「一个数字相加的演习之于一个数字相减的演习，正如一个时光相加的演习之于......?」之后，嵌入给出了如下的谜底：「一个时光相减的演习」。具体而言，这意味着如不雅我们提出这个问题：嵌入 [减（数字）Substract(Numbers)] --嵌入 [加（数字），Add(Numbers)]，并把它添加到学生演习的嵌攘闼楝个中学生被请求来做时光的加法（例如，小时、分钟等等），那么竽暌闺之最接近的一个嵌入就是包含时光减法的演习。

结论

更有甚者，正如 Mikolov 在英语单词上做到的一样，嵌入还详用了演习之间的关系：

总之，词嵌入技巧在将文本数据转换成便于机械进修算法直接应用的实值向量时是有效的，尽管词嵌入技巧重要用在天然说话处理的应用中，例如机械翻译，然则我们经由过程给出特定的用在 Kwyk 中的例子展示了这些技巧在分类特点处理中也有效武之地。然而，为了应用诸如 Word2Vec 如许的技巧，你必须建立一个语料库——也就是说，一组句子，个中的标签已经被分列好了，所以其语境也是已经隐式创建好了。上述实例中，我们应用在网站上给出的功课来创建演习的「句子」，并且进修演习嵌入。结不雅就是，我们可以或许获得新的数字特点，这些特点可以或许成功地进修演习之间的关系，比它们被打上的那组原始标签加倍有效。

向 Christophe Gabar 申谢，他是我们 Kwyk 的开辟人员之一，他提出了把 word2vec 用在分类特点上的思惟。

原文链接：https://medium.com/towards-data-science/a-non-nlp-application-of-word2vec-c637e35d3668

【编辑推荐】

1. 挨踢部落坐诊第六期：机械进修若何断定突发情况？
2. 若何应用JavaScript构建机械进修模型
3. 大年夜浅层模型到深度模型：概览机械进修优化算法
4. 若何用自念头器进修实现神经收集进化
5. 机械进修在金融范畴的四大年夜优势和五大年夜应用

【义务编辑：张子龙 TEL：（010）68476606】

　　推荐阅读

　　8种方法让Android成为强大的生产力工具

【51CTO.com快译】据海外公司查询拜访显示，安卓(Android)体系今朝在商用智妙手机市场的┞芳有率持续走高，20>>>详细阅读

本文标题：除了自然语言处理，你还可以用词嵌入（Word2Vec）做这个

地址：http://www.17bianji.com/lsqh/36550.html

 1/2    1