假定在词典中有1000个单词（A1，A2，...，A1000）。据我所知，在单词嵌入或word2vec方法中，它旨在通过向量表示字典中的每个词，其中每个元素表示该词与字典中其余词的相似性。说每个向量应有999个维数还是每个word2vec向量的大小应为999个是正确的吗？
但是使用Gensim Python，我们可以修改Word2vec的“ size”参数的值，在这种情况下，假设size = 100。那么“ size = 100”是什么意思？如果我们提取A1的输出矢量，表示为（x1，x2，...，x100），在这种情况下x1，x2，...，x100代表什么？
答案 0 :(得分：2)
“ [word2vec]旨在通过向量表示字典中的每个词，其中每个元素代表该词与字典中其余词的相似性”的情况不是 。
在给定的目标维数（例如100）的情况下，Word2Vec算法逐渐训练100维的词向量，使其在预测附近单词的训练任务中越来越好。
这种迭代过程趋向于迫使相关的单词彼此“接近”，并且与它们的相似度大致成比例-甚至更进一步，在这个100维空间中的各种“方向”往往倾向于与人类可感知的匹配语义类别。因此，著名的“ wv（king）-wv（man）+ wv（woman）〜= wv（queen）”示例通常可以工作，因为“男性/女性”和“忠诚度”是空间中模糊一致的区域/方向。
单独的尺寸并没有任何意义。训练过程包括随机性，并且随着时间的推移，“无论如何”都会起作用。有意义的方向并非与尺寸轴完美对齐，而是在所有尺寸上成角度。 （也就是说，您不会发现router.post('/:subject_ID', (req, res) => {
// First Query
Student.findOne({student_ID: req.body.student_ID})
.exec()
.then()
.catch();
// Second Query
Subject.findById(req.params.subject_ID)
.exec()
.then()
.catch();
});
是一个类似性别的维度。相反，如果您采用了数十个交替的类似男性和女性的单词对，并求平均了所有差异，可能会发现一些100维向量，这暗示了性别倾向。）
您可以选择任何所需的“大小”，但是当您有足够的训练数据时，100-400是常见值。