我最近研究并了解了word2vec的工作原理，它负责将单词转换为数字形式，因此当我们将它们绘制或放置到世界空间中时，它们将被传播并揭示每个单词与单词之间的关系。其他。
我在这里的问题，我也发现RNNs，突然间我感到困惑。是word2vec替代RNNs还是我可以使用word2vec将单词转换为数字形式然后在RNNs上使用它们？
我的意思是他们两个都预测下一个单词，所以我想知道它们是否是解决同一问题的不同方法，或者我可以将它们一起使用吗？
注意：：我完成了计算机视觉并开始了NLP的学习，所以请不要对我刚刚开始的问题做出判断。
答案 0 :(得分：0)
您不清楚word2vec的含义。 word2vec是多维空间中单词的表示，而RNN是Linear Regression或random forest或logistic regression之类的算法。 word2vec不会预测接下来的单词。这是word2vec的简短说明：
使用三个词：apple，orange和car。假设它们在word2vec中表示为：
apple = [0.01, 0.04 ...] orange = [0.02, 0.06 ...] car = [0.03, 0.09 ...]
现在您知道apple和orange彼此相似，而car却不相似。因此，如果您采用apple和orange的点积，则结果值将接近1，说它是0.85，但是如果您采用{ {1}}和apple，结果将远远不是car说它是1。这就是0.25的概念。它以数字形式为您提供单词的矢量表示，以使相似的单词在图中保持彼此靠近。
现在，word2vec就像我说的那样，它是一种算法。您将向其中输入一些数值数据，它将为您提供一些输出。您需要从一些在线教程中详细学习RNN。
要回答有关如何一起使用它们的问题，RNN采用数字输入。它不能直接接受英语单词。因此，我们需要将所有单词转换为某种数字形式。这就是RNN出现的地方。您接受每个单词，并从word2vec获得其数字表示形式（如我上面显示的word2vec，apple和orange所示），然后将其输入car
这只是一个简单的概述，不可能在这里解释所有内容。如果您真的想学习更多，那么我强烈建议您选修this课程。从RNN到word2vec的所有内容都在此进行了详细说明。如果您在那里完成整个专业课程，而不是只完成本课程，那就更好了。