一、一句话说明Word2Vec是什么？

        Word2Vec是一种常见的词嵌入技术。Word2Vec的目标是将每个词表示为一个向量，使得这些向量能够反映出词语之间的相似性和关联性。

        word2vec算法通过预测中心词和上下文词的共现概率来学习词向量，能够捕捉词语之间的语义关系。 

 二、模型的架构

Word2Vec包括两种模型架构：

无论是CBOW还是Skip-gram，他们的目标都是得出词嵌入矩阵。

---

 （1）CBOW

        连续词袋模型（Continuous Bag-of-Words, CBOW）目标是根据上下文预测当前单词。在这个模型中，给定一个上下文，模型试图预测在这个上下文中出现的单词。这种方法对常见的单词效果更好。

• 输入是上下文词，输出是中心词【就是完形填空】

• 设置窗口上下文

        CBOW模型考虑一个词的前后若干个词（定义为一个窗口），将这些上下文词的向量相加（或取平均）作为输入，然后通过一个神经网络模型来预测位于这些上下文中的目标词。

• CBOW模型本质是一个简单的前馈神经网络

输入层：输入是中心词周围的上下文单词。在实际操作中，通常会选择中心词的前后各几个单词作为上下文。这些上下文单词被转化为词向量，通常是通过输入层中的Embedding层实现（嵌入层）。

隐藏层：所有上下文词向量被平均或求和来形成一个固定长度的隐藏层表示，这个过程相当于将输入向量合并为一个单一的向量。

        线性层位于输出层前的位置。在处理了上下文向量之后，网络通常会有一个线性层（也称为全连接层），它使用权重矩阵（这些权重在训练过程中学习得到）将上下文表示变换到另一个空间，通常是一个与词汇表大小相同的空间，为了准备最后的分类任务 — 即预测中心单词。

输出层：隐藏层的输出是一个单词的分布式表示，然后这个表示被用来预测中心单词。通常，这涉及到一个softmax函数，它会将隐藏层的输出转换成一个概率分布，对应于词汇表中每个单词是中心词的概率。

---

（2）Skip-gram

        跳字模型（Skip-gram）是相反的过程，目标是根据当前单词来预测其上下文中的单词。这个模型适合捕捉更多的近上下文信息，对罕见词或特殊词汇表现更佳。

• 输入是中心词，输出是上下文词【就是遣词造句】

• 设置窗口上下文

• 使用一个词预测另一个词，就是尽量使这两个词向量接近

• Skip-gram模型本质也是个神经网络

输入层：接收一个中心词的词向量表示。

隐藏层：该层通常包含较多的神经元，用于学习从中心词到上下文词的复杂映射关系。这层的输出可以看作是中心词的潜在表示，但其直接目的是服务于输出层的预测，而非数据重构。

输出层：包含词汇表中所有词的softmax分类器，用于预测围绕中心词的上下文词的概率分布。

三、总结

        Word2Vec词嵌入模型的核心目标是通过学习将词汇转化为高维向量的形式（得到一个词嵌入矩阵），使得这些向量能捕捉词语间的语义和句法关系。这些词向量能够表达词语之间的相似性和关联性，从而提升诸如文本分类、情感分析、机器翻译等自然语言处理任务的性能。

        Word2Vec主要包含两个模型：Skip-gram模型、CBOW模型