Nlp 是否有一种语义相似度方法在语义准确性方面优于word2vec方法？

我正在研究各种语义相似性方法，如word2vec、单词移动距离（WMD）和fastText。就语义相似性而言，fastText并不比Word2Vec好。WMD和Word2Vec的结果几乎相似

我想知道是否有一种替代方法在语义准确性方面优于Word2Vec模型

我的用例： 找到两个句子的单词嵌入，然后使用余弦相似性来找到它们的相似性

任何技术是否“优于”另一种技术将在很大程度上取决于您的训练数据、您选择的特定元参数选项以及您的确切最终任务。（甚至“语义相似性”也可能有许多其他方面，具体取决于应用程序。）

从word2vec单词向量到句子/段落向量没有一种方法。您可以添加原始向量。你可以平均单位标准化向量。你可以根据单词重要性的其他度量，进行其他类型的加权平均。所以你的隐含基线是不清楚的

基本上，您必须尝试各种方法和参数，用于您的数据和目标，以及您的自定义评估

Word Mover的距离不会将每个文本缩减为单个向量，而且两个文本之间的成对计算可能会很昂贵，但它在一些语义相似性任务中表现出非常好的性能

FastText本质上是word2vec，具有一些额外的增强功能和新模式。关闭附加功能的某些模式与word2vec完全相同，因此在某些WordVec to textvecs方案中使用FastText字向量应该与在相同方案中使用word2vec字向量非常接近。某些模式可能有助于提高单词向量的质量，但会降低wordvecs-to-textvecs方案中单词向量的有效性。某些模式可能会使单词向量更好地用于求和/平均合成方案–您应该特别关注“分类器”模式，该模式在分类任务中训练单词向量，使其在平均时表现良好。（在一定程度上，您可以为数据添加任何语义标签，这可能会使单词vecs对于语义相似性任务更具可组合性。）

---

您可能还想了解“段落向量”技术（在gensim中以

Doc2Vec

的形式提供），或其他简称为“fastSent”或“sent2vec”的研究结果

在什么任务上胜过word2vec？@mbatchkarov语义准确性。更新了问题。我指的是上下文感知的相似性和语义相似性，这正是单词移动者的距离想要达到的。例如，特朗普和美国总统应该被认为是相似的，尽管这是两个不同的词。我也在松散地使用“跑赢大盘”。我想知道，除了这些模型，人们是否在任何类型的相似性任务中观察到了更好的结果。至少，这会给我一个尝试特定事物的起点。