如果学习方法有任何好的例子（或者更有可能是学习程序），我也会阅读论文并使用google搜索
对于word2vec，假设有语料库句子
我带着午餐盒去学校，我的母亲每天早上都会把它包裹起来
然后在窗口大小为2的情况下，它会尝试使用周围的单词
来获取'school'的向量['go'，'to'，'with'，'lunch']
现在，FastText说它使用子词来获取向量，所以它肯定是使用n gram子词，例如n = 3，
['sc'，'sch'，'cho'，'hoo'，'ool'，'school']
到此为止，我明白了。 但目前尚不清楚，如果其他词语被用于学习“学校”。我只能猜测其他周围的单词也像word2vec一样使用，因为文章提到了
=＆GT;术语 Wc 和 Wt 都用于函数
其中Wc是上下文单词，Wt是序列t中的单词。
但是，目前还不清楚FastText如何学习单词的向量。
请清楚说明FastText学习过程如何进行？
更确切地说，我想知道如果FastText也遵循与Word2Vec相同的程序，同时它还学习了n-gram特征子词 。或者只有n-gram表征了使用单词的子词？
它如何在初始时对子字进行矢量化？等
答案 0 :(得分：2)
任何上下文单词的候选输入向量都是由其全字令牌及其所有字符n-gram组合而成的。因此，如果上下文单词是'school'，并且您使用的是3-4个字符的n-gram，则训练中的输入向量是school，和<的完整单词向量的组合。 / em> ['sch', 'cho', 'hoo', 'ool', 'scho', 'choo', 'hool']的所有n-gram向量。）
当通过训练调整候选矢量时， all 调整组成矢量。 （这有点像word2vec CBOW中的模式，单个平均上下文输入向量的所有单词一起被调整，当它们预测单个目标输出字的能力被评估和改进时。）
结果，那些碰巧在许多相似单词中有意义的n-gram（例如，常见的词根或前缀/后缀）被定位在它们赋予意义的位置。 （其他n-gram可能仍然主要是低幅度噪声，因为它们出现的位置没有什么有意义的模式。）
训练后，通过组合全字向量和所有n-gram，也可以构建单个词汇表单词的报告向量。
然后，当你还遇到一个词汇外单词时，如果它与形态相似的训练单词共享一些或多个n-gram，它将得到一个类似的计算向量 - 因此比什么都没有，猜测那个词的矢量应该是什么。 （在小错别字或已知单词的轻微变体的情况下，合成矢量可能相当不错。）
答案 1 :(得分：0)
fastText网站states，其中至少有两个已实施的算法确实使用了句子中的周围字词。
此外，原始的fastText实现是open source，因此您可以检查它在探索代码时的工作原理。