كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعي

Word2Vec

Word2Vec (CBOW / Skip-gram)

طريقة لتعلم متجهات كثيفة للكلمات بشبكة ضحلة تتنبأ بالكلمة من سياقها (CBOW) أو بالسياق من الكلمة (Skip-gram).

تعلّم آلي

طريقة العمل

تُدرَّب طبقة إسقاط على مدونة كبيرة باستخدام العينات السلبية (Negative Sampling) أو Softmax الهرمي، فتصبح أوزان الطبقة متجهات للكلمات تتقارب فيها الكلمات ذات السياقات المتشابهة.

الخطوات

  1. بناء المفردات
  2. إنشاء أزواج (كلمة، سياق) بنافذة
  3. التدريب بالعينات السلبية
  4. استخراج المتجهات
المدخلاتمدونة نصية
المخرجاتمتجه لكل كلمة
التعقيدO(N·w·k) حيث N حجم المدونة وw النافذة وk العينات السلبية

مثال

القياس الشهير: king − man + woman ≈ queen.

المزايا

  • تدريب سريع على مدونات كبيرة
  • متجهات مفيدة لمهام كثيرة

العيوب

  • متجه واحد للكلمة مهما تعدد معناها
  • لا يمثل الكلمات غير المرئية

الاستخدامات

  • البحث الدلالي
  • ميزات للمصنفات
  • توسيع الاستعلامات

مكتبات تطبّقها

Gensim (LGPL-2.1)AraVec (متجهات عربية جاهزة)

راجع دليل المكتبات لمعرفة الرخص ومتطلبات التشغيل.

المراجع

  • Mikolov, T., Chen, K., Corrado, G. & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. arXiv:1301.3781.
  • Mikolov, T. et al. (2013). Distributed Representations of Words and Phrases and their Compositionality. NeurIPS 2013.
  • Soliman, A. B., Eissa, K. & El-Beltagy, S. R. (2017). AraVec: A set of Arabic Word Embedding Models for use in Arabic NLP. ACLing 2017.

هذه الخوارزمية مشروحة للمقارنة ولا تعمل داخل المتصفح لأنها تحتاج إلى نموذج مدرَّب؛ يمكن لمدير الموقع ربط محرك خارجي يقدّمها. افتح التضمينات الدلالية