异同点
对于自然语言
相同点 都是基于distribution思想使用相同的语料库Distributional models(BOW,LSI,LDA) 共现在同一文本区域中词(如同一语句)相关,在语料中的共现语句越多,越相关使用共现语句个数构建词与词(上下文)的PMI/PPMI矩阵(高维稀疏矩阵)，然后进行SVD得到每个词的低维稠密向量(隐向量)Distributed models(NPLM,LBL,Word2vec,Glove) 在相同上下文中出现的词具有相关性,相同的上下文在语料库中越多,越相关,不要求同时出现思想来源于深度学习(Inspired by deep learning), 使用预测代替共现计数Example A dog is in the room. A cat is in the room. dog 与 room 是 Distributional dog 与 cat 是 Distributed 思想区别 Distributional思想 同一个语境中(上下文)出现的词相关。 它是一种横向思想，如句子“今晚的天空有很多星星”，“天空”与“星星”横向相关。 Distributed思想 相似的语境下(上下文)的词相关。 这里相似的语境可以是同一个句子，也可以是不同的语句(纵向)。 它包含一种纵向思想，如句子“今晚的天空有很多星星”，“今晚的天空有月亮”，“星星”与“月亮”纵向相关。 方法区别 Distributional使用隐矩阵分解(Implicit Matrix Factorization)Distributed使用神经网络词嵌入(Neural word embedding)Distributional使用共现计数来构建原始矩阵Distributed通过神经网络来进行上下文词预测对于关系网络
Distributional 在同一的路径中的点相关(取决于路径长度，最简单的便是只考虑1邻居)如果使用词的共现构建网络，那么有边连接的点相关 或者使用图的邻接矩阵构建原始矩阵，然后进行矩阵分解 Distributed 不仅考虑邻接的点相关性还考虑了拥有共同邻居的不直接相连的点的相关 即如果某两个点，其虽然不直接相连，但是它们拥有相同的邻居，或者相同的邻居点很多，那么它们也具有相似性可以使用deepwalk来对图中的点来仿造语句(词序列)来构建图节点序列