使用CNN和Word2vec进行文本分类 本文是参考gaussic大牛的“ text-classification-cnn-rnn”后，基于同样的数据集，嵌入词级别操作的CNN文本分类实验结果，gaussic大牛是基于字符级的；进行了第二版的更新：1。加入不同的卷积核； 2。加入正则化； 3。词唯一的中文或英文，删除掉文本中数字，符号等类型的词； 4。删除长度为1的词训练结果较第一版有所提升，验证集准确率从96.5％达到97.1％，测试准确率从96.7％达到97.2％。 本实验的主要目是为了探索基于Word2vec训练的词向量嵌入CNN后，对模型的影响，实验结果得到的模型在验证集达到97.1％

嵌入表示学习是当下研究热点，从word2vec,到node2vec, 到graph2vec，出现大量X2vec的算法。但如何构建向量嵌入理论指导算法设计？最近RWTH Aachen大学的计算机科学教授ACM Fellow Martin Grohe教授给了《X2vec： 构建结构数据的向量嵌入理论》报告，非常干货！

关于词向量的理论推导视频，通俗易懂

word2vec的实战文档

之前在网上看过很多关于word2vec 的学习笔记，但都是拿拿其中一小部分进行阐述，基本没有比较全面和深入的讲解。由于word2vec涉及的基础知识比较多，对于word2vec如果要全面，可能要从基础线性回归 [10]、最小二乘法 [11]、sigmoid函数 [9][12]、Huffman树 [13]、softmax回归 [9][14]、词向量 [15]、似然估计 [17]等等。如需要了解基础知识，请先看相关参数文献；如需较全面的预热，请参考网易发一篇文章 [18]（相信对word2vec有兴趣的同学都看过）。 本文适合在对word2vec算法有一定基础上，但想进一步了解word2vec的实现细节的同学。如遇到问题，最好参照着google源码实现进行理解（文章最后有源码参考）。

（word2vec 写的太好啦）word2vec Parameter Learning Explained.pdf

跳过思想火炬 Skip-Thoughts.torch是到Pytorch和Torch7的轻量级移植，它们是经过移植。 对火炬的跳过思考 跳过火炬7

word2vec在PyTorch中的实现代码及其数据，代码注释详细，数据文件完整。

解压密码在https://blog.csdn.net/herosunly/article/details/89481947最后。非加密版本下载地址为https://download.csdn.net/download/herosunly/15450078。

安装scipy、gensim库的必备库，我试验了很多次，最后是和gensim-3.8.1-cp37-cp37m-win_amd64.whl、scipy-1.4.1-cp37-cp37m-win_amd64.whl这两个版本配合才安装成功的。