知识动态实体播客深度开发者关于

[控场AI]

AI 领域实时知识。所有信息可溯源验证，数据 24 小时内持续更新。

Powered by 240+ first-hand AI sources

知识库

知识动态
热门实体
播客

开发者

CLI
MCP Server
REST API
关于

© 2026 KongchangAI. 控场AI，获取最新、最准的 AI 领域知识

待验证50% 置信事实精确时间

原始word2vec需要在整个词汇表上计算softmax归一化，计算复杂度为O(V)，负采样将问题转化为二分类以降低计算量

1

来源数

50%

置信度

长期有效

时效性

2026/8/13

首次发现

来源

词向量学习路线图：从word2vec到Transformer嵌入的完整指南

相关事实

待验证Word2Vec通过CBOW或Skip-gram两种训练方式，将词语压缩为100～300维的稠密向量70% 相似待验证Collapse采用整词词表，无法泛化到未登录词（OOV），且每词单向量只能捕捉主导词义，多义词处理能力有限68% 相似待验证嵌入模型将文本映射为高维稠密向量（通常768至3072维），ANN算法（如HNSW、IVF-PQ）将检索复杂度从O(n)降低到近似O(log n)67% 相似待验证全局自注意力的建模复杂度为O(n²)，后续研究发展出RoPE、ALiBi等相对位置编码方案增强长文本处理能力67% 相似待验证word2vec是静态词向量方法，给每个词一个固定的向量，无论它出现在什么句子里66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/740926

API

curl https://kongchang.com/api/v1/knowledge/claims/740926

MCP

get_claim(id=740926)