待验证50% 置信事实精确时间
原始word2vec需要在整个词汇表上计算softmax归一化，计算复杂度为O(V)，负采样将问题转化为二分类以降低计算量
1
来源数
50%
置信度
长期有效
时效性
2026/8/13
首次发现
来源
相关事实
待验证Word2Vec通过CBOW或Skip-gram两种训练方式，将词语压缩为100～300维的稠密向量70% 相似待验证Collapse采用整词词表，无法泛化到未登录词（OOV），且每词单向量只能捕捉主导词义，多义词处理能力有限68% 相似待验证嵌入模型将文本映射为高维稠密向量（通常768至3072维），ANN算法（如HNSW、IVF-PQ）将检索复杂度从O(n)降低到近似O(log n)67% 相似待验证全局自注意力的建模复杂度为O(n²)，后续研究发展出RoPE、ALiBi等相对位置编码方案增强长文本处理能力67% 相似待验证word2vec是静态词向量方法，给每个词一个固定的向量，无论它出现在什么句子里66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/740926API
curl https://kongchang.com/api/v1/knowledge/claims/740926MCP
get_claim(id=740926)