据我所知，SQLSTATE[23000]: Integrity constraint violation: 1452 Cannot add or update a child row: a foreign key constraint fails (anthonyl_fbpj.comments, CONSTRAINT fk_comments_projects1 FOREIGN KEY (project_id) REFERENCES projects (id) ON DELETE NO ACTION ON UPDATE NO ACTION)正在减少单词向量的维度。
tsne生成包含大量数据的字嵌入模型。
两者之间有什么关系？
Word2vec内部使用Word2vec吗？
（我使用tsne中的Word2vec）
答案 0 :(得分：1)
在内部，他们都使用 gradient-descent 来达到最终的优化状态。两者都可以被视为降维操作。但是，word2vec在内部不使用t-SNE（反之亦然）。
为了绘制可视化的目的，t-SNE （“t分布式随机邻域嵌入”）通常将多维数据减少到2维或3维。它涉及学习从原始维度到较少维度的映射，这仍然保持相似的点彼此靠近。
word2vec 采用了许多文本示例，并学习了一种擅长预测附近单词中单词的浅层神经网络。表示单个单词的神经网络权重的特定层然后成为学习的N维单词向量，N的值通常为100到600.
（有另一种方法来创建名为 GLoVE 的单词向量，它更像t-SNE，因为它直接从单词的高维共生矩阵中训练，而不是而不是来自许多上下文共现的例子。但它仍然不是t-SNE本身。）
您可能会运行目标维度为100-400的t-SNE。但由于最终结果尚未产生良好的情节，维持对t-SNE至关重要的“接近度”将无法实现其通常的预期效益。
你可能会学习只有2维或3维的word2vec（或GLoVE）向量，但人们从单词向量中寻找的大多数有用的相似性/安排都会在拥挤中丢失。在一个情节中，你可能不会看到相关单词类别的强烈视觉“聚集”，因为t-SNE的特定的高到低维度接近度保留目标未被应用。