
もう一つの日本語ウィキペディアエンティティベクトル
他の言語の説明
統計
2026年11月17日時点の統計
GitHub の Star 数
2
±0 (10月13日〜)
最終コミット
2018年11月
GitHub での作成日
2018年5月16日
掲載日
2022年7月28日
Star 数の推移
数値を表で見る
| 月 | Star |
|---|---|
| 2025年12月 | 2 |
| 2026年1月 | 2 |
| 2026年2月 | 2 |
| 2026年3月 | 2 |
| 2026年4月 | 2 |
| 2026年5月 | 2 |
| 2026年6月 | 2 |
| 2026年7月 | 2 |
| 2026年8月 | 2 |
| 2026年9月 | 2 |
| 2026年10月 | 2 |
| 2026年11月 | 2 |
各月の最後のスナップショット。Star 数は 1,000 以上では 100 単位に丸められています。
同じカテゴリで人気のリソース
chiVeWorksApplications179SudachiとNWJCを使用した日本語の単語埋め込み。
japanese-words-to-vectorsphilipperemy87GensimとMecabを使用した日本語のWord2vec(単語からベクトルへのアプローチ)手法。
embedrankyagays48EmbedRankのPython実装
jawiki_word_vector_updaterkamigaito12最新の日本語Wikipediaのダンプデータから,MeCabを用いてIPA辞書と最新のNeologd辞書の両方で形態素解析を実施し,その結果に基づいた word2vec,fastText,GloVeの単語分散表現を学習するためのスクリプト
dependency-based-japanese-word-embeddingslapras-inc8これはAI LABの記事「係り受けに基づく日本語単語埋込 (Dependency-based Japanese Word Embeddings)」のリポジトリです。(記事URL https://ai-lab.lapras.com/nlp/japanese-word-embedding/)
elmo-japanesecl-tohoku4エルモ-日本語
研究分野が近いリソース
lukestudio-ousia727LUKE -- 知識ベース埋め込みを用いた言語理解共通: 表現学習・知識表現
fasttext-vs-word2vec-on-twitter-dataGINK0348fasttextとword2vecの比較と、実行スクリプト、学習スクリプトです共通: 表現学習・意味的テキスト処理- bert-large-japanese-v2tohoku-nlp66kJapanese‑BERT‑Large は CC‑100 と Wikipedia に対して訓練され、Unidic‑lite のワードレベルトークナイゼーションを使用し、WordPiece サブワードとホールワードマスクリングを採用しています(24 層、隠れ層 1024 次元、16 ヘッド、32k 語彙)。プリトレーニングコードは cl‑tohoku/bert‑japanese にあります。HF モデル共通: 表現学習・意味的テキスト処理
- bert-base-japanese-v3tohoku-nlp66kJapanese BERT‑base(12層、768次元の隠れ層、12ヘッド、32k語彙)は、CC‑100と2023‑Jan Wikipediaで全単語マスキングを用いて事前学習され、Unidic 2.1.2の単語レベルトークナイゼーション+WordPieceを併用し、200万ステップで学習しました。HF モデル共通: 表現学習・意味的テキスト処理
bert-japanesecl-tohoku551日本語テキスト用のBERTモデル。共通: 表現学習・意味的テキスト処理
Laboro-BERT-Japaneselaboroai73ラボロBERT日本語:Webコーパスで事前学習された日本語BERT共通: 表現学習・意味的テキスト処理