
又一个日语维基百科实体向量
其他语言的说明
统计
统计数据截至 2026年11月17日
GitHub Star 数
2
±0 (10月13日〜)
最后提交
2018年11月
GitHub 创建日期
2018年5月16日
收录日
2022年7月28日
Star 数变化
以表格显示
| 月份 | 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
chiVeWorksApplications179使用Sudachi和NWJC的日语词嵌入
japanese-words-to-vectorsphilipperemy87使用Gensim和Mecab的Word2vec(单词到向量)方法来处理日语。
embedrankyagays48EmbedRank的Python实现
jawiki_word_vector_updaterkamigaito12使用最新的日本语Wikipedia转储数据,使用MeCab在IPA词典和最新的Neologd词典中进行形态分析,并基于其结果学习word2vec、fastText和GloVe的词向量表示的脚本。
dependency-based-japanese-word-embeddingslapras-inc8这是AI LAB文章“係り受けに基づく日本語単語埋込(基于依存关系的日语词嵌入)”的存储库(文章网址https://ai-lab.lapras.com/nlp/japanese-word-embedding/)。
elmo-japanesecl-tohoku4艾尔莫-日语
研究领域相近的资源
lukestudio-ousia727LUKE -- 基于知识嵌入的语言理解共同: 表示学习・知识表示
fasttext-vs-word2vec-on-twitter-dataGINK0348这是有关fasttext和word2vec的比较,以及执行脚本和学习脚本。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
- bert-base-japanese-v3tohoku-nlp66kJapanese BERT‑base(12层,768维隐藏层,12头,32 k词汇表)在 CC‑100 和 2023‑Jan Wikipedia 上使用全词遮蔽预训练,采用 Unidic 2.1.2 词级分词加 WordPiece,训练 200 万步。HF 模型共同: 表示学习・语义文本处理
bert-japanesecl-tohoku551用于日语文本的BERT模型。共同: 表示学习・语义文本处理
Laboro-BERT-Japaneselaboroai73劳动BERT日语:使用Web语料库预训练的日语BERT共同: 表示学习・语义文本处理