在浏览TensorFlow word2vec tutorial时，我很难按照教程关于将输入存储到skip-gram模型的占位符的说明。解释说明
skip-gram模型有两个输入。一个是一整批整数 表示源上下文单词，另一个表示目标单词...现在我们需要做的是查找批处理中每个源单词的向量...现在我们有每个单词的嵌入，我们我想尝试预测目标词。
但是，由于我们使用的是skip-gram模型（而不是CBOW），我们不应该为每个目标单词查找单词vector，然后预测给定目标单词的上下文单词？
此外，我假设下面的代码首先声明目标词（输入）的占位符，然后是源上下文词（我们的标签）的占位符。
train_inputs = tf.placeholder(tf.int32, shape=[batch_size])
train_labels = tf.placeholder(tf.int32, shape=[batch_size, 1])
我误解了教程吗？
答案 0 :(得分：0)
skip-gram教程假设您的数据集如下所示：
（快速，），（快速，棕色），（棕色，快速），（棕色，狐狸），......
用作对（输入，输出）=（center_word，context_word）。
事实上，如果你对多个（输入，输出）对进行平均，你将获得类似于在每个例子中预测每个上下文单词的行为。
这种选择也可以通过使用NCE作为损失函数来证明，并且NCE试图在一些噪声词（随机选择）中区分单个目标词（上下文中的一个词）。
您的输入和输出占位符应具有相同的维度(batch_size,1)，但输入只是(batch_size)，因为嵌入图层会自动扩展维度，而损失函数（您提供标签的位置）需要一个矩阵作为输入
因此，本教程并不是Mikolov的skip-gram模型的精确实现，而是为了代码简单性和可读性而进行了一些近似。