🌟 嗨，你好，我是 青松 ！
🌈 希望用我的经验，让“程序猿”的AI学习之路走的更容易些，若我的经验能为你前行的道路增添一丝轻松，我将倍感荣幸！共勉~
【程序员 NLP 入门】词嵌入 - 如何基于计数的方法表示文本？ （★小白必会版★）
词嵌入核心问题：
一、动因篇
- 💯 什么是词向量化技术？
- 💯 如何让向量具有语义信息？
二、基于统计的方法
- 💯 如何基于计数的方法表示文本？
- 💯 上下文中的窗口大小是什么意思？
- 💯 如何统计语料的共现矩阵？
- 💯 基于计数的表示方法存在哪些问题？
三、基于推理的方法
- 💯 Word2Vec的两种模型分别是什么？
- 💯 Word2Vec 中 CBOW 指什么？
- 💯 Word2Vec 中 Skip-gram 指什么？
- 💯 CBOW 和 Skip-gram 哪个模型的词嵌入更好？
四、问题优化篇
- 💯 Word2Vec训练中存在什么问题？
- 💯 Word2Vec如何优化从中间层到输出层的计算？
- 用负采样优化中间层到输出层的计算
- 负采样方法的关键思想
- 负采样的采样方法
- 💯 为什么说Word2vec的词向量是静态的？
- 💯 Word2vec的词向量存在哪些问题？
💯 如何基于计数的方法表示文本？
重要性：★
基于分布式假设使用向量表示单词，最直截了当的实现方法是对周围单词的数量进行计数。具体来说，在关注某个单词的情况下，对它的周围出现了多少次什么单词进行计数，然后再汇总，汇总后所得的矩阵称之为共现矩阵。我们将这种做法称为“基于计数的表示方法”。
