Lil'Log（Lilian Weng 个人博客） · Lilian Weng

Learning Word Embedding | Lil'Log

Learning Word Embedding | Lil'Log是Lil'Log（Lilian Weng 个人博客）的免费文章（en）。前置条件：需了解基础线性代数（矩阵乘法）、softmax 与基本概率概念，以及神经网络的前向计算。

理解并比较词嵌入的两大技术路线：基于共现统计的向量空间模型与基于上下文预测的 skip-gram/CBOW 模型，掌握其训练目标与高效 softmax 近似方法。

Lil'Log

使用限制

直接打开网页即可阅读全文，无需账号或安装；文中引用的外部论文与代码库为补充阅读。

适合想系统理解 NLP 词表示原理、具备神经网络与概率基础的学习者，文章以公式推导为主线，可配合文中引用的 word2vec/gensim 教程实践。

不适合只想要可运行代码或工程实现的人；节选内容以原理讲解为主，动手编码部分需借助文中引用的外部教程。

需了解基础线性代数（矩阵乘法）、softmax 与基本概率概念，以及神经网络的前向计算。

内容侧重: 按内容目录判断
练习与项目: 文章本身不含代码练习；如需实践，可按文中给出的 gensim / TensorFlow word2vec 链接自行训练一个小语料，网页未说明具体步骤与费用。
学习时长: 1 个课节原站未给出统一学习时长；实际用时取决于已有基础。
内容费用: 免费节选可直接读到文章正文（概念讲解、公式与图示），页面无付费墙或登录拦截。

免费吗？

免费：节选可直接读到文章正文（概念讲解、公式与图示），页面无付费墙或登录拦截。实践费用待核验：网页提供了 word2vec、gensim、TensorFlow 教程链接，但未说明练习是否需要付费资源。

需要什么基础？

需了解基础线性代数（矩阵乘法）、softmax 与基本概率概念，以及神经网络的前向计算。软件、账号与硬件：无需安装任何软件，浏览器可读；练习如需跑 word2vec，可自备 Python 与 gensim（网页仅提供链接，未说明必须安装）。

有中文吗？

本站记录的语言是en；是否有中文字幕或译本本站未核实，请以原站为准。

怎么开始？

从原始资源入口开始：https://lilianweng.github.io/posts/2017-10-15-word-embedding/。打开原文即可，无需安装软件。开课提示词尚未完整验证。练习与作业需要自备：开课提示词尚未实际运行验证。