
这是有关fasttext和word2vec的比较,以及执行脚本和学习脚本。
其他语言的说明
统计
统计数据截至 2026年11月17日
GitHub Star 数
48
±0 (10月13日〜)
最后提交
2017年8月
GitHub 创建日期
2017年3月30日
收录日
2022年9月13日
Star 数变化
以表格显示
| 月份 | Star |
|---|---|
| 2025年12月 | 49 |
| 2026年1月 | 49 |
| 2026年2月 | 48 |
| 2026年3月 | 48 |
| 2026年4月 | 48 |
| 2026年5月 | 48 |
| 2026年6月 | 48 |
| 2026年7月 | 48 |
| 2026年8月 | 48 |
| 2026年9月 | 48 |
| 2026年10月 | 48 |
| 2026年11月 | 48 |
各月最后一次快照。1,000 以上的 Star 数按 100 取整。
同分类的热门资源
研究领域相近的资源
japanese-words-to-vectorsphilipperemy87使用Gensim和Mecab的Word2vec(单词到向量)方法来处理日语。共同: 表示学习・语义文本处理- ruri-v3-310mcl-nagoya634kRuri v3 是基于 ModernBERT‑Ja 的先进日语文本嵌入模型,支持多达 8,192 词元输入,100K 词元词汇表,FlashAttention 加速推理,并提供多种尺寸变体,便于快速使用 sentence‑transformer。HF 模型共同: 表示学习・语义文本处理
- ruri-v3-30mcl-nagoya126kRuri v3是一个最先进的日语文本嵌入模型,基于ModernBERT‑Ja构建,支持最多8,192个标记,拥有100 k词汇量,支持FlashAttention加速,并提供多种规模,从37 M到315 M参数。HF 模型共同: 表示学习・语义文本处理
- ruri-v3-130mcl-nagoya93kRuri v3 是基于 ModernBERT‑Ja 的前沿日语文本嵌入模型,支持最多 8192 token 序列、100K token 词汇量、FlashAttention,并以 30 M 至 310 M 参数规模发布,供 sentence‑transformers 使用。HF 模型共同: 表示学习・语义文本处理
chiVeWorksApplications179使用Sudachi和NWJC的日语词嵌入共同: 表示学习・语义文本处理- bert-large-japanese-v2tohoku-nlp66kJapanese‑BERT‑Large 在 CC‑100 和 Wikipedia 上训练,使用 Unidic‑lite 单词级标记化配合 WordPiece 子词和全词掩码(24 层,1024 维隐藏层,16 头,32k 词表),预训练代码在 cl‑tohoku/bert‑japanese。HF 模型共同: 表示学习・语义文本处理