Vector Space Model
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Stanford University
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 19 June 2011
- Auteurs
- Andrew L. Maas, Raymond E. Daly, Peter T. Pham, Dan Huang, A. Ng, Christopher Potts
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Language
- Taak
- Semantic embedding, Sentiment classification
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- parameters
- 255K
- Training gegevens
- 5,650,000 tokens
"We build a fixed dictionary of the 5,000 most frequent tokens" "For all word vector models, we use 50-dimensional vectors" Parameters: 5000*50 + 5000=255000
"We train a variant of our model which uses 50,000 unlabeled reviews in addition to the labeled set of 25,000 reviews"
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- Highly cited,SOTA improvement
- Record vertrouwen
- Confident
"We evaluate the model using small, widely used sentiment and subjectivity corpora and find it out-performs several previously introduced methods for sentiment classification" " Table 2 shows classification performance on our subset of IMDB reviews. Our model showed superior performance to other approaches, and performed best when concatenated with bag of words representation. "
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Learning Word Vectors for Sentiment Analysis
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
Vector Space Model werd gepubliceerd door Stanford University, in het land geregistreerd als United States of America, tijdens June 2011. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Language, en wordt geregistreerd als het uitvoeren van de taak van semantic embedding, Sentiment classification.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Training en herkomst
De trainingsset liep naar ongeveer 5,650,000 tekstokens
De inclusiecriteria: highly cited,SOTA improvement.
Antwoorden
Vector Space Model — veelgestelde vragen
Vector Space Model— wanneer is het uitgebracht?
Het werd gepubliceerd in June 2011. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
Vector Space Model— waarvoor wordt het gebruikt?
Het werkt in het domein van Language, en wordt geregistreerd als het afhandelen van semantic embedding, Sentiment classification. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
Vector Space Model— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
Vector Space Model— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
Vector Space Model— hoeveel parameters heeft het?
Het heeft een parameter telling van 255K. "We build a fixed dictionary of the 5,000 most frequent tokens" "For all word vector models, we use 50-dimensional vectors" Parameters: 5000*50 + 5000=255000. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
Vector Space Model— wie heeft het gemaakt?
Het werd gepubliceerd door Stanford University, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.