Word2vec

Word2vec是一群用來產生詞向量的相關模型。這些模型為淺層雙層的神經網路，用來訓練以重新建構語言學之詞文本。網路以詞表現，並且需猜測相鄰位置的輸入詞，在word2vec中詞袋模型假設下，詞的順序是不重要的。

訓練完成之後，word2vec模型可以把每個詞映射到一個向量，來表示詞與詞之間的關係。該向量為神經網路的隱藏層^[1]。

Word2vec依賴skip-grams或連續詞袋（CBOW）來建立神經詞嵌入。Word2vec為托馬斯·米科洛夫（Tomas Mikolov）在Google帶領的研究團隊創造。該演算法漸漸被其他人所分析和解釋^[2]^[3]。

Skip-grams和CBOW

CBOW把一個詞從詞窗剔除。在CBOW下給定 $n$ 詞圍繞著詞 $w$ ，word2vec預測一個句子中其中一個缺漏的詞 $c$ ，即以機率 $p(c|w)$ 來表示。相反地，Skip-gram給定詞窗中的文本，預測當前的詞 $p(w|c)$ 。

Word2vec用來建構整份文件（而分獨立的詞）的延伸應用已被提出^[4]，該延伸稱為paragraph2vec或doc2vec，並且用C、Python^[5]^[6]和 Java/Scala^[7]實做成工具（參考下方）。Java和Python也支援推斷文件嵌入於未觀測的文件。

對word2vec框架為何做詞嵌入如此成功知之甚少，約阿夫·哥德堡（Yoav Goldberg）和歐莫·列維（Omer Levy）指出word2vec的功能導致相似文本擁有相似的嵌入（用餘弦相似性計算）並且和約翰·魯伯特·弗斯的分佈假說（英語：Distributional semantics）有關。

^ Mikolov, Tomas; et al. Efficient Estimation of Word Representations in Vector Space (PDF). [2015-08-14]. （原始內容 (PDF)存檔於2022-05-09）.
^ Goldberg, Yoav; Levy, Omar. word2vec Explained: Deriving Mikolov et al.’s Negative-Sampling Word-Embedding Method (PDF). [2015-08-14]. （原始內容 (PDF)存檔於2022-01-22）.
^ Řehůřek, Radim. Word2vec and friends (Youtube video). [2015-08-14]. （原始內容存檔於2020-05-22）.
^ Le, Quoc; et al. Distributed Representations of Sentences and Documents. (PDF). [2016-02-18]. （原始內容 (PDF)存檔於2021-11-23）.
^ Doc2Vec tutorial using Gensim. [2015-08-02]. （原始內容存檔於2021-01-23）.
^ Doc2vec for IMDB sentiment analysis. [2016-02-18]. （原始內容存檔於2020-01-07）.
^ Doc2Vec and Paragraph Vectors for Classification. [2016-01-13]. （原始內容存檔於2015-12-31）.