我正在尝试进行情绪分析。为了将单词转换为单词向量，我使用了word2vec模型。假设我的所有句子都在名为“句子”的列表中，并且将这些句子传递给word2vec，如下所示：
model = word2vec.Word2Vec(sentences, workers=4 , min_count=40, size=300, window=5, sample=1e-3)
由于我对词向量不敏感，因此我有两个疑问。
1-将特征数量设置为300定义了单词向量的特征。但是这些功能意味着什么？如果此模型中的每个单词都由1x300 numpy数组表示，那么这300个功能对该单词表示什么？
2-在上述模型中，以“样本”参数表示的向下采样实际上有什么作用？
提前致谢。
Answers:
1-特征数量：就神经网络模型而言，它表示投影（隐藏）层中神经元的数量。由于投影层是基于分布假设建立的，因此每个单词的数值向量表示其与上下文单词的关系。
这些功能是由神经网络学习的，因为这是无监督的方法。每个向量都有几组语义特征。例如，让我们以经典示例为例，V(King) -V(man) + V(Women) ~ V(Queen)每个单词都由300维矢量表示。V(King)在向量中按一定顺序具有皇家，王国，男子气概，人类的语义特征。V(man)将具有男性气质，人类，以一定的顺序工作。因此，V(King)-V(Man)完成后，男性气质，人性特征将被废除，而当添加V(Women)具有女性气质的人性特征时，将添加人性特征，从而产生与V(Queen)。有趣的是，这些特征以一定顺序编码在向量中，以便数值计算（例如加法，减法）完美地工作。这是由于神经网络中无监督学习方法的性质所致。
2-有两种近似算法。Hierarchical softmax和negative sampling。给定样本参数后，它将进行负采样。在分层softmax的情况下，对于每个单词向量，其上下文单词被赋予正输出，而词汇表中的所有其他单词被赋予负输出。时间复杂度的问题通过负采样解决。与否定采样一样，而不是整个词汇表，仅词汇表的采样部分被赋予负输出，并且训练向量的速度比以前的方法快得多。