Word2Vec
Word2Vec是一种广泛使用的词嵌入（Word Embedding）技术， 它能够将单词表示为高维空间中的密集向量，从而捕捉单词之间的语义和语法关系。 Word2Vec主要包含两种模型：Skip-Gram（跳字模型）和CBOW（Continuous Bag of Words，连续词袋模型）。
Skip-Gram与CBOW模型的主要差异在于训练方式：Skip-Gram 通过中心词预测上下文词汇 ，类似于 “由点及面” 的扩展；而CBOW则是 利用上下文词汇预测中心词 ，类似于 “由面定点” 的填充。 前者注重于从局部到整体的推理，后者则强调整体对局部的反映。
Word2Vec
一、 Word2Vec
Word2Vec ： 一种基于神经网络的词嵌入技术，它的目标是将单词映射到实数向量空间中，使得语义相似的单词在向量空间中的距离较近。 这种映射是通过在大规模文本语料库上训练神经网络模型来实现的。 Word2Vec通过学习单词的共现信息，能够在向量空间中模拟出有意义的语义关系，如同义词、反义词等。
本质是一个神经网络模型，目的是通过模型训练学习得到一个矩阵（Matrix C），一个表示词与词之间关联关系的矩阵。
Word2Vec
二、 Skip-Gram
Skip-Gram（跳字模型） ：
Skip-Gram模型通过 给定的中心词来预测其上下文中的单词 。具体来说，对于文本中的每一个单词，Skip-Gram模型将其视为中心词，并尝试预测该词周围一定窗口大小内的其他单词（即上下文单词）。
Skip-Gram模型如同一个词汇侦探，通过中心词“线索”去“追踪”并预测其周围的上下文词汇，以此构建词汇间的语义网络。
- 输入层：输入中心词的one-hot编码。
- 嵌入层：将one-hot编码转换为词向量。这一层的权重矩阵即为我们要学习的词嵌入矩阵。
- 输出层：对于每一个上下文单词，输出层会输出一个概率分布，表示中心词预测为该上下文单词的概率。通常，输出层使用softmax函数进行归一化处理。
Skip-Gram
Skip-Gram 模型训练
：
通过遍历文本中的中心词及其上下文，使用中心词词向量预测上下文单词分布，计算预测与真实分布间的损失，并利用反向传播更新模型参数与词嵌入矩阵，以优化词向量表示。
- 初始化词嵌入矩阵和模型参数。
- 对于文本中的每一个中心词，遍历其上下文单词。
- 使用中心词的词向量作为输入，通过模型预测上下文单词的概率分布。
- 计算预测概率与真实上下文单词之间的损失（如交叉熵损失）。
- 使用反向传播算法更新模型参数和词嵌入矩阵。
Skip-Gram
三、 CBOW
CBOW （连续词袋模型） ：
CBOW（Continuous Bag of Words，连续词袋模型） 与Skip-Gram相反，CBOW模型 通过给定的上下文单词来预测中心词 。具体来说，对于文本中的每一个中心词，CBOW模型会将其周围一定窗口大小内的其他单词（即上下文单词）作为输入，并尝试预测该中心词。
CBOW模型类似于一个高级的完型填空游戏，其中上下文中的词汇（已知选项）被用来“填空”预测出缺失的中心词（答案），从而揭示词汇间的语义联系和模式。
- 输入层：输入上下文单词的one-hot编码。
- 嵌入层：将上下文单词的one-hot编码转换为词向量，并将这些词向量进行平均或求和，得到上下文向量。
- 输出层：输出层同样使用softmax函数输出中心词的概率分布。
CBOW
CBOW 模型训练
：
通过遍历文本中的中心词及其上下文，使用中心词词向量预测上下文单词分布，计算预测与真实分布间的损失，并利用反向传播更新模型参数与词嵌入矩阵，以优化词向量表示。
- 初始化词嵌入矩阵和模型参数。
- 对于文本中的每一个中心词，获取其上下文单词的词向量。
- 将上下文单词的词向量进行平均或求和，得到上下文向量。
- 使用上下文向量作为输入，通过模型预测中心词的概率分布。
- 计算预测概率与真实中心词之间的损失。
- 使用反向传播算法更新模型参数和词嵌入矩阵。
CBOW