
EmbedRank的Python实现
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
2019年3月
GitHub 创建日期
2019年2月1日
收录日
2022年6月16日
Star 数变化
以表格显示
| 月份 | Star |
|---|---|
| 2025年12月 | 48 |
| 2026年1月 | 48 |
| 2026年2月 | 48 |
| 2026年3月 | 48 |
| 2026年4月 | 47 |
| 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
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。
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
aoveceggplants3易用的青空文库Word2Vec构建器 - 包含所有书籍的Word2Vec构建器和预先构建的模型。
研究领域相近的资源
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-base-japanese-whole-word-maskingtohoku-nlp462kJapanese BERT‑base 在 2019 年日本维基百科上预训练,使用 IPA‑dictionary 与全词掩码,12 层 768 维,32,000 词表,512 标记序列,1 M 步骤,可在 cl‑tohoku/bert‑japanese 获取,遵循 CC‑BY‑SA 许可。HF 模型共同: 表示学习・句法文本处理
- bert-base-japanese-char-v3tohoku-nlp130k日本语言 BERT‑Base(12 层,768 维,12 头)使用 Unidic 基于词级加字符级分词和全词掩码在 CC‑100 及 2023 Wikipedia 上进行预训练,产生 7,027 名词表。HF 模型共同: 表示学习・句法文本处理
- bert-base-japanese-char-v2tohoku-nlp55k一个 BERT‑base 日语模型(12 层,768-维隐藏状态,12 头),在 3000 万条维基百科句子(约 4 GB)上训练,使用 Unidic 2.1.2 词级分词,随后进行字符级分词和全词掩码,使用 512 令牌序列,256 批次,以及 1 M 训练步骤。HF 模型共同: 表示学习・句法文本处理
- bert-base-japanese-chartohoku-nlp11k一个 BERT‑base 日语模型(12 层,768 维隐藏,12 头),使用 MeCab IPA 词级分词后再进行字符级分词生成 4000 词的词表,在约 1700 万句来自日语维基百科(2.6 GB)的句子上预训练,训练代码位于 cl‑tohoku/bert‑japanese,采用 CC BY‑SA 3.0 许可证发布。HF 模型共同: 表示学习・句法文本处理
- bert-base-japanese-v2tohoku-nlp9kJapanese BERT‑base(12 层,768 隐藏,12 头)在 4 GB 的日语维基百科(≈30 M 句)上预训练,使用 Unidic 2.1.2 词级分词、WordPiece 子词分词和全词遮蔽。HF 模型共同: 表示学习・句法文本处理