
這是有關 fasttext 和 word2vec 的比較,以及執行腳本和學習腳本。
其他語言的說明
統計
統計資料截至 2026年11月17日
GitHub Star 數
48
±0 (10月13日〜)
最後提交
2017年8月
GitHub 建立日期
2017年3月30日
收錄日
2022年9月13日
Star 數變化
以表格顯示
| 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 |
各月最後一次快照。1,000 以上的 Star 數以 100 為單位四捨五入。
同分類的熱門資源
研究領域相近的資源
japanese-words-to-vectorsphilipperemy87使用Gensim和Mecab的日語Word2vec(單詞到向量)方法。共同: 表示學習・語意文本處理- ruri-v3-310mcl-nagoya634kRuri v3 是一個尖端的日本語文本嵌入模型,建立於 ModernBERT‑Ja,支援最多 8,192‑token 輸入、100K‑token 詞彙表、FlashAttention‑加速推論,以及多種尺寸變體,方便快速使用 sentence‑transformer。HF 模型共同: 表示學習・語意文本處理
- ruri-v3-30mcl-nagoya126kRuri v3 是一款最先進的日文文本嵌入模型,構建於 ModernBERT‑Ja,支持高達 8,192 tokens、一個 100k‑token 詞彙表、FlashAttention 加速,並提供從 37 M 到 315 M 參數的多種規模。HF 模型共同: 表示學習・語意文本處理
- ruri-v3-130mcl-nagoya93kRuri v3 是一款最先進的日本語文本嵌入模型,基於 ModernBERT‑Ja 建構,支援長達 8192‑token 序列、10 萬詞彙、FlashAttention,並以 30 M 到 310 M 參數大小提供,以供 sentence‑transformers 使用。HF 模型共同: 表示學習・語意文本處理
chiVeWorksApplications179使用Sudachi和NWJC的日語詞嵌入共同: 表示學習・語意文本處理- bert-large-japanese-v2tohoku-nlp66kJapanese‑BERT‑Large 在 CC‑100 和 Wikipedia 上訓練,使用 Unidic‑lite 詞級分詞,結合 WordPiece 子詞與全詞遮蔽,模型為 24 層、1024 維隱藏、16 頭、32k 詞表;預訓練程式碼位於 cl‑tohoku/bert‑japanese。HF 模型共同: 表示學習・語意文本處理