Các ứng dụng của word2vec bên ngoài lãnh vực ngôn ngữ họcHọc máy và đặc biệt là word2vec đã trở thành những công cụ tiên tiến trong việc xử lý ngôn ngữ tự nhiên. Trong thời gian gần đây chúng tôi thấy có nhiều tài liệu về word2vec bằng tiếng Việt, đặc biệt là hai luận án Thạc sĩ của Khổng Bùi Trung (2016) và Phạm Hùng (2017), dưới sự hướng dẫn của giáo sư Tiến sĩ Nguyễn Văn Vinh, tại trường Đại học Công nghệ, Đại học Quốc gia Hà nội. Ngoài ra cũng có trên 10 trang web trình bày về đề tài này.Chúng tôi rất phấn khởi với tài nguyên phổ biến rộng rãi tại trường đại học cũng như trên Internet.Nhận xét đầu tiên của chúng tôi là trong các luận án, phần tài liệu nghiên cứu không được cập nhật đúng lúc, thường trễ 2 năm. Nhận xét thứ hai là tất cả các thông tin về word2vec bằng tiếng Việt nêu trên đều chú trọng đến việc áp dụng của word2vec trong lãnh vực ngôn ngữ học.Nhằm góp phần bổ sung tài liệu về sử dụng word2vec, Tập tin 301 này trình bày Các ứng dụng của word2vec bên ngoài lãnh vực ngôn ngữ học, như Âm nhạc, Quản trị đất đai, Phân loại địa điểm hay Thành phố và đặc biệt là trong Y tế và Chăm sóc sức khỏe. Những tài liệu mà chúng tôi tham khảo đều xuất hiện trong các năm 2019 và 2018 thể hiện tính cập nhật của tình trạng sử dụng của word2vecÂm nhạcTừ ngữ cảnh đến khái niệm - thể hiện mối quan hệ ngữ nghĩa trong âm nhạc với word2vec - 2018 From context to concept -exploring semantic relationships in music with word2vecSound-Word2Vec - Học Từ đại diện căn cứ vào âm thanhSound-Word2Vec - Learning Word Representations Grounded in SoundsQuản trị đất đai 22019 Tìm hiểu sự phát triển chủ đề của văn học khoa học như một thành phố đang phát triển - Sử dụng mô hình Google Word2Vec và phân tích tự tương quan không gian - 2019 Understanding the topic evolution of scientific literatures like an evolving city - Using Google Word2Vec model and spatial autocorrelation analysisCảm nhận phân phối không gian sử dụng đất đô thị bằng cách tích hợp các điểm ưa thích và mô hình Google Word2Vec - Sensing spatial distribution of urban land use by integrating points-of-interest and Google Word2Vec modelPhân loại địa điểm hay Thành phố2019 Beyond Word2vec - Cách tiếp cận để trích xuất và nhận dạng khu vực chức năng đô thị bằng cách kết hợp Place2vec và POI - 2019 Beyond Word2vec - An approach for urban functional region extraction and identification by combining Place2vec and POIsQuảng cáoHọc máy cho quảng cáo trực tuyến sử dụng thông tin theo ngữ cảnh - Machine Learning for On-line Advertising Using Contextual InformationY tế và Chăm sóc sức khỏeKỹ thuật cổ điển để chuyển đổi dữ liệu văn bản thành các tính năng là Bag-of-Words (BOWs), duy trì tần số từ. BOW, trong khi được chứng minh là mạnh mẽ để phân loại, có thể dẫn đến số lượng lớn các thuật ngữ và do đó các tính năng, và không xem xét phủ định. Một phương pháp được ghi chép tốt khác là sử dụng Số nhận dạng duy nhất Khái niệm hệ thống y tế thống nhất (UMLS) (MLIs) với ML. Sử dụng CUIs thay cho BOW đã trở nên ngày càng phổ biến, trong bối cảnh y tế, để đồng hóa các từ đồng nghĩa để thể hiện và chú thích tốt hơn dữ liệu văn bản. CUIs, khi được tạo thông qua một đường ống như Hệ thống trích xuất kiến thức và phân tích văn bản lâm sàng (cTAKES), có thể phát hiện phủ định để thiết kế chính xác hơn các tính năng liên quan. Một ghi chú văn bản nói rằng một bệnh nhân không bị lupus sẽ dẫn đến khái niệm cho bệnh lupus bị trừ đi bởi một số lượng. Trong cùng bối cảnh đó, BOW sẽ tăng số lượng của lupus và một người không phải là một người, tạo ra một tính năng không đúng định dạng khi so sánh với CUIs. Mặc dù các phương pháp dựa trên CUI là một cải tiến đáng kể so với tần số đơn giản, nhưng chúng vẫn không xem xét chuỗi các thuật ngữ hoặc khái niệm trong tài liệu. Một phương pháp tương đối gần đây được thấy trong các hệ thống và đường ống NLP lâm sàng là sử dụng các vectơ từ. Vector hóa các câu đang được sử dụng thường xuyên hơn như là một phần của ngôn ngữ tự nhiên và các tác vụ ML với các kỹ