تصحيح CBOW يؤدي وكذلك تخطي غرام

ميكولوف وآخرون.(2013A) لاحظ أن تضمين كلمة كاجب مستمرة من الكلمات (CBOW) تميل إلى أشرطة Skip-Gram المعطفية (SG)، وتم الإبلاغ عن هذه النتيجة في أعمال لاحقة.نجد أن هذه الملاحظات مدفوعة بعدم هذه الاختلافات الأساسية في أهدافها التدريبية، ولكن على الأرجح على تطبيقات مراقبة الألعاب السلبية الخاطئة في المكتبات الشعبية مثل التنفيذ الرسمي و Word2VEC.C و Gensim.نظهر أنه بعد تصحيح الخلل في تحديث التدرج CBOW، يمكن للمرء أن يتعلم أن تضمين Word CBOW تنافس تماما مع SG على مختلف المهام الجوهرية والخارجية، بينما تكون عدة مرات أسرع في التدريب.

Mikolov et al. (2013a) observed that continuous bag-of-words (CBOW) word embeddings tend to underperform Skip-gram (SG) embeddings, and this finding has been reported in subsequent works. We find that these observations are driven not by fundamental differences in their training objectives, but more likely on faulty negative sampling CBOW implementations in popular libraries such as the official implementation, word2vec.c, and Gensim. We show that after correcting a bug in the CBOW gradient update, one can learn CBOW word embeddings that are fully competitive with SG on various intrinsic and extrinsic tasks, while being many times faster to train.