https://www.leiphone.com/news/201706/eV8j3Nu8SMqGBnQB.html
https://blog.csdn.net/dn_mug/article/details/69852740
概念を理解することは困難であるブラックボックスのようなニューラルネットワークは、このブロガーパーソナルトレーニングベクトルワードの理解が整備されている：
タグを対応する各単語の学習データについて、実際にトレーニングしたい、別の単語tのですトンにマッピングされたのを聞かせて、リレーションシップ・マッピングを見つけます。しかし、明らかに、我々は線形関数を見つけるにしたくない、sが与えられたトンを得ることができるようになりますように、我々はトンを備え、T sの単語の望ましいクラスを取得することができます。周波数のコンテキストの発生の違いによる各TがTの場合、確率は、sおよびtの関連性が高い頻度高く、自然に得ることができます。
単語ベクトル、またはパラメータ行列Wのため、それはまた、近い対応ブリッジ、ブリッジの意味空間にマッピングされた単語、SおよびTより高い近い意味空間内にあると考えられる相関、と考えることができます。ベクトルは、小さい角度の前にベクトルの言葉を理解することであるならば、私たちは言葉の情報を表すためにベクトルを使用し、意味情報を得ることが重要です。低すぎる、あなたは正しいのだろうかする必要がある場合の実用的なアプリケーションでは、テキストを生成し、我々は、単語と単語ベクトルとの類似性を判定することができます。