
另一個日本維基百科實體向量
其他語言的說明
統計
統計資料截至 2026年11月17日
GitHub Star 數
2
±0 (10月13日〜)
最後提交
2018年11月
GitHub 建立日期
2018年5月16日
收錄日
2022年7月28日
Star 數變化
以表格顯示
| 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
chiVeWorksApplications179使用Sudachi和NWJC的日語詞嵌入
japanese-words-to-vectorsphilipperemy87使用Gensim和Mecab的日語Word2vec(單詞到向量)方法。
embedrankyagays48EmbedRank 的 Python 實現
jawiki_word_vector_updaterkamigaito12從最新的日本語Wikipedia傾印數據中,使用MeCab在IPA詞典和最新的Neologd詞典中進行形態素分析,並基於該結果學習word2vec、fastText和GloVe的詞向量表示的腳本。
dependency-based-japanese-word-embeddingslapras-inc8這是 AI LAB 文章「係り受けに基づく日本語単語埋込 (Dependency-based Japanese Word Embeddings)」的儲存庫 (文章網址 https://ai-lab.lapras.com/nlp/japanese-word-embedding/)。
elmo-japanesecl-tohoku4艾摩日文
研究領域相近的資源
lukestudio-ousia727LUKE -- 基於知識嵌入的語言理解共同: 表示學習・知識表示
fasttext-vs-word2vec-on-twitter-dataGINK0348這是有關 fasttext 和 word2vec 的比較,以及執行腳本和學習腳本。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
- bert-base-japanese-v3tohoku-nlp66kJapanese BERT‑base (12 層, 768‑維度隱藏, 12 頭, 32k 詞彙) 以完整詞遮蔽在 CC‑100 與 2023‑Jan Wikipedia 上預訓練,使用 Unidic 2.1.2 詞級分詞加 WordPiece,訓練 200 萬步。HF 模型共同: 表示學習・語意文本處理
bert-japanesecl-tohoku551日文文本的BERT模型。共同: 表示學習・語意文本處理
Laboro-BERT-Japaneselaboroai73Laboro BERT 日語:使用 Web-Corpus 預訓練的日語 BERT共同: 表示學習・語意文本處理