word2vec ～ モデル仕様の詳細調査 と モデルのパラメータ設定ケース別 意味「類似度」計算結果の比較・考察（①モデル次元数 ②window幅を変えて挙動を確認）～ コーパス事例： 和文 学術論文 （西田幾多郎）『善の研究』 - Qiita

まず最初に、word2vec の仕様 を ① Mikolov 氏ほか共著論文 と ② O'Reilly本 から適宜 転載しつつ確認 Mikolov 氏 他 word2vec 論文 を読み解くと、、、以下の知見が掲載されている Mikolov ほか共著 （ 論文 ）"Efficient Estimation of Word Representation in Vector Space" ① コーパスの単語数が多けれは多いほど、モデルの次元数が大きければ大きいほど、意味演算の正確性の精度は高まる。（モデルの次元数が大きい場合は、コーパスサイズも相応にないと精度は落ちる） ② 文法的 （ Syntactic ）には、 NNLM が、意味的 （ Semantic ） には Skip-gram が精度が高い ③ コーパスのサイズが2倍になれば、モデルの次元数も2倍にするべきである （ 以下、Miko

[rishida]

実用word2vec

[kasumani]

word2vec ～ モデル仕様の詳細調査 と モデルのパラメータ設定ケース別 意味「類似度」計算結果の比較・考察（①モデル次元数 ②window幅を変えて挙動を確認）～ コーパス事例： 和文 学術論文 （西田幾多郎）『善の研究』