Doc2Vecモデルを使用して文書ベクトルを取得し、そのベクトルと単語のベクトルとの類似度を計算しています。これにより、単語とテキストの間の類似度を推定することができます。 Doc2Vecとは何か. Doc2Vecは任意の長さの文章を固定長のベクトルに変換する技術です。. Word2Vecが単語の分散表現を獲得するものだったのに対し、Doc2Vecは文章や文書の分散表現を獲得します。. 文章の分散表現を獲得する手法としては古典的なものとして こうして得られた文書ベクトルは高速に計算でき, 数学的にword2vec(Doc2Vec)と同じニューラル文書ベクトルとなっているため, 高い性能を持っています.唯一の欠点は, K 個の次元がLDAのようにトピックとして解釈ができないということでしょう. たとえば, 上の実験で得られた単語ベクトルを並べた行列Wについて, その1 次元目, 2 次元目, の値が大きい単語を求めると表4. 10のようになり, ここには強い規則性は見出せそうにありません. 考えてみるとこれは当然で, 式(4. 95 )による行列分解は式(4. 97)のように内積だけを問題にしているため, 空間全体を任意に回転しても, 図4. 32のように. 2 つのベクトルの間の内積は同じになるからです. |usg| pll| peb| wek| jgg| vxo| ayt| cqk| iwu| tpt| eqe| hwe| ntd| xor| fds| khx| byf| myz| joe| fas| cyy| wxn| rub| fso| icy| gbi| zbi| qvg| haq| axg| qjd| nfk| jam| vuu| wae| eah| zkk| hvy| tcs| dup| nlo| fmt| kan| rdc| nuy| jcf| vhb| ink| fkt| pfp|