Fasttext 算法只使用词和子词？还是句子呢？
Fasttext algorithm use only word and subword? or sentences too?
如果有学习方法（或更可能的学习过程）的任何好的例子，我也阅读了这篇论文并用谷歌搜索
对于word2vec，假设有语料句
I go to school with lunch box that my mother wrapped every morning
然后 window 大小为 2，它将尝试通过使用周围的单词
来获取 'school' 的向量
['go', 'to', 'with', 'lunch']
现在FastText说是用subword来获取vector，所以肯定是用n gram subword，比如n=3,
['sc', 'sch', 'cho', 'hoo', 'ool', 'school']
到这里，我明白了。
但是不清楚其他词是否被用于学习'school'。我只能猜测其他周围的词也像 word2vec 一样被使用，因为论文提到
=> 术语 Wc 和 Wt 都用于函数
其中 Wc 是上下文词，Wt 是序列 t 处的词。
但是，FastText 是如何学习单词向量的还不清楚。
.
.
请说清楚程序中FastText的学习过程是如何进行的？
.
.
更准确地说，我想知道如果 FastText 在学习 n-gram 特征子词时也遵循与 Word2Vec 相同的过程 此外.或者只有 n-gram 表征的子词与正在使用的词？
它如何向量化初始的子词？等等
fastText 站点 states 至少有 2 个实现的算法确实在句子中使用了周围的词。
此外，原始的 fastText 实现是 open source，因此您可以通过探索代码来检查它的工作原理。
任何上下文词都有其候选输入向量，该向量由其全词标记和所有字符 n-gram 的组合组装而成。因此，如果上下文词是 'school'，并且您使用的是 3-4 个字符的 n-gram，则训练中的输入向量是 school、[=22] 的全词向量的组合=]和['sch', 'cho', 'hoo', 'ool', 'scho', 'choo', 'hool']的所有n-gram向量。）
当通过训练调整该候选向量时，所有 成分向量都会调整。 （这有点像在 word2vec CBOW 模式中，单个平均上下文输入向量的所有 词 一起调整，当它们预测单个目标输出词的能力被评估并且改进了。）
因此，那些在许多相似词中恰好是有意义的暗示的 n-grams——例如，常见的词根或 prefixes/suffixes——被定位在它们赋予这种意义的地方。 （其他 n-gram 可能主要保持低幅度噪声，因为它们出现的地方几乎没有有意义的模式。）
训练后，还通过组合全词向量和所有 n-gram 来构建单个词汇表中单词的报告向量。
然后，当你也遇到一个词汇外的词时，如果它与形态相似的训练词共享一些或许多 n-gram，它将得到一个相似的计算向量——因此总比没有好，猜测那个词的向量应该是什么。 （如果出现小拼写错误或已知单词的轻微变体，合成向量可能会非常好。）
如果有学习方法（或更可能的学习过程）的任何好的例子，我也阅读了这篇论文并用谷歌搜索
对于word2vec，假设有语料句
I go to school with lunch box that my mother wrapped every morning
然后 window 大小为 2，它将尝试通过使用周围的单词
来获取 'school' 的向量['go', 'to', 'with', 'lunch']
现在FastText说是用subword来获取vector，所以肯定是用n gram subword，比如n=3,
['sc', 'sch', 'cho', 'hoo', 'ool', 'school']
到这里，我明白了。 但是不清楚其他词是否被用于学习'school'。我只能猜测其他周围的词也像 word2vec 一样被使用，因为论文提到
=> 术语 Wc 和 Wt 都用于函数
其中 Wc 是上下文词，Wt 是序列 t 处的词。
但是，FastText 是如何学习单词向量的还不清楚。
.
.
请说清楚程序中FastText的学习过程是如何进行的？
.
.
更准确地说，我想知道如果 FastText 在学习 n-gram 特征子词时也遵循与 Word2Vec 相同的过程 此外.或者只有 n-gram 表征的子词与正在使用的词？
它如何向量化初始的子词？等等
fastText 站点 states 至少有 2 个实现的算法确实在句子中使用了周围的词。
此外，原始的 fastText 实现是 open source，因此您可以通过探索代码来检查它的工作原理。
任何上下文词都有其候选输入向量，该向量由其全词标记和所有字符 n-gram 的组合组装而成。因此，如果上下文词是 'school'，并且您使用的是 3-4 个字符的 n-gram，则训练中的输入向量是 school、[=22] 的全词向量的组合=]和['sch', 'cho', 'hoo', 'ool', 'scho', 'choo', 'hool']的所有n-gram向量。）
当通过训练调整该候选向量时，所有 成分向量都会调整。 （这有点像在 word2vec CBOW 模式中，单个平均上下文输入向量的所有 词 一起调整，当它们预测单个目标输出词的能力被评估并且改进了。）
因此，那些在许多相似词中恰好是有意义的暗示的 n-grams——例如，常见的词根或 prefixes/suffixes——被定位在它们赋予这种意义的地方。 （其他 n-gram 可能主要保持低幅度噪声，因为它们出现的地方几乎没有有意义的模式。）
训练后，还通过组合全词向量和所有 n-gram 来构建单个词汇表中单词的报告向量。
然后，当你也遇到一个词汇外的词时，如果它与形态相似的训练词共享一些或许多 n-gram，它将得到一个相似的计算向量——因此总比没有好，猜测那个词的向量应该是什么。 （如果出现小拼写错误或已知单词的轻微变体，合成向量可能会非常好。）