词向量最强面经，面试稳了-轻识

之前总结过一个关于词向量的面试题，基本把词向量该问的都问到了。

我也根据这个词向量面试题写了一个答案解析，把 Word2Vec，FastText，Glove等模型细节都讲的很清楚。

对这个感兴趣的，有我微信直接找我要一下，没我微信的，搜【dasoucv】或者扫描下面二维码找我要一下。【我也希望大家能相互尊重】

整个面试题如下：

有没有使用自己的数据训练过Word2vec，详细说一下过程。包括但是不限于：语料如何获取，清理以及语料的大小，超参数的选择及其原因，词表以及维度大小，训练时长等等细节点。
Word2vec模型是如何获得词向量的？聊一聊你对词嵌入的理解？如何理解分布式假设？
如何评估训练出来的词向量的好坏
Word2vec模型如何做到增量训练
大致聊一下 word2vec这个模型的细节，包括但不限于：两种模型以及两种优化方法（大致聊一下就可以，下面会详细问）
解释一下 hierarchical softmax 的流程(CBOW and Skip-gram)
基于6，可以展开问一下模型如何获取输入层，有没有隐层，输出层是什么情况。
基于6，可以展开问输出层为何选择霍夫曼树，它有什么优点，为何不选择其他的二叉树
基于6，可以问该模型的复杂度是多少，目标函数分别是什么，如何做到更新梯度（尤其是如何更新输入向量的梯度）
基于6，可以展开问一下 hierarchical softmax 这个模型有什么缺点
聊一下负采样模型优点（为什么使用负采样技术）
如何对输入进行负采样（负采样的具体实施细节是什么）
负采样模型对应的目标函数分别是什么（CBOW and Skip-gram）
CBOW和skip-gram相较而言，彼此相对适合哪些场景
有没有使用Word2vec计算过句子的相似度，效果如何，有什么细节可以分享出来
详细聊一下Glove细节，它是如何进行训练的？有什么优点？什么场景下适合使用？与Word2vec相比，有什么区别（比如损失函数）？
详细聊一下Fasttext细节，每一层都代表了什么？它与Wod2vec的区别在哪里？什么情况下适合使用Fasttext这个模型？
ELMO的原理是什么？以及它的两个阶段分别如何应用？（第一阶段如何预训练，第二阶段如何在下游任务使用）
ELMO的损失函数是什么？它是一个双向语言模型吗？为什么？
ELMO的优缺点分别是什么？为什么可以做到一词多义的效果？

答案解析PDF大概这样:

等等吧......

还是上面说的，对这个感兴趣的，有我微信直接找我要一下，没我微信的，搜【dasoucv】或者扫描下面二维码找我要一下。