如何同时使用 word2vec 和 RNN？答案

【问题标题】：How to use word2vec and RNN together?如何同时使用 word2vec 和 RNN？
【发布时间】：2016-06-26 21:45:53
【问题描述】：

所以，我在 Java 中使用 word2vec，并尝试以某种方式对其进行训练，以便它为我提供单词和句子的向量表示。

我可以使用它来将输入输入神经网络，以根据 word2vec 数据获得响应吗？我打算在这个的帮助下制作一个聊天机器人。

【问题讨论】：

所以您想使用 word2vec 获得一个单词的向量表示，然后将该向量用作 RNN 的输入？在某种程度上，word2vec 就像 RNN 的嵌入函数，但单独训练它？还是联合？
我认为将其用作 RNN 的输入会更有益。我想一起训练他们。你怎么看？什么是更好的方法？ @galloguille 如果你能帮我解决这个问题，那就太好了。
嗯，我对 NLP 了解不多，但我想你可以使用预训练的 word2vec 来生成词嵌入，然后使用该嵌入作为 RNN 的输入，所以你不会需要自己训练word2vec。
但即使是从单词中获取嵌入作为向量，我也需要训练我的 word2vec，然后将其用作 RNN 的输入进行训练。不是吗？
嗯，ypu 可以使用预训练的 word2vec，因此您只需要使用向量作为输入来训练 RNN。

【解决方案1】：

除了@galloguille 的 cmets，您还可以使用预训练的 word2vec 的词向量来初始化您的 RNN。 RNN 可以从单词序列中学习来预测下一个单词。一个很好的示例代码，你可以在这里找到 - https://github.com/larspars/word-rnn。

据我了解，大多数有效的聊天机器人（目前）并不直接使用 RNN 来回答问题，而是在第一步中尝试（从一组固定的意图）预测问题的意图。根据每个意图，他们计算出一些可行的见解和对问题的合乎逻辑的回答。

【讨论】：

那么最好的方法是什么？而不是 RNN？
如果您想通过深度学习来玩转文本生成，RNN 是一个不错的方法。但是，如果您希望在现实世界的应用程序中部署聊天机器人，那么深度学习还没有出现。您必须硬编码用户的可能意图（基于用例）并将每个问题与意图相匹配，然后再次对特定问题的一组固定响应进行硬编码。