一、word2vec概述

word2vec是一个浅层神经网络模型，用于将单词转换为向量，该模型主要有两种类型：
1. CBOW 连续词袋模型
2. skip-gram 跳字模型
CBOW和skip-gram的目标都是迭代出词向量字典(嵌入矩阵)。

二、CBOW 连续词袋模型

1、概述

CBOW神经网络会接收上下文词语，将上下文词语转换为最有可能的目标词。

2、模型结构

3、猜想

假设我们有一个句子：
We are about to study the idea of deep learning.
我们能否用上面画线句子来表示出study呢？

这时，我们需要一个大小为n的窗口。

具体一些：

4、过程

对于上下文中输入的其中一个词进行分析：

1. 输入词首先进行one-hot编码成为一个1行n列的向量，再经过embeddings层，embeddings层是一个N * V的矩阵，N代表词表中的词语个数，V代表词向量的维度，经过该层之后是一个1行V列的词向量。
   
2. 之后每一个词语都进行这样的操作，将输出结果传送到线性层，通过线性层我们可以得到1*N的向量，再通过softmax得到了目标词向量，为1的地方就是模型的预测结果。
   
3. 线性层：上下文中包括了多个词语，每个词语经过embeddings层都会得到一个词向量，多个上下文统一表示为$V=\frac{1}{4}(V_1+V_2+V_3+V4)$,输出结果为将语义平均的向量化V。
   

三、skip-gram跳字模型

1、概述

skip-gram是用目标词来预测上下文。

2、猜想

假设我们有一个句子：
We are about to study the idea of deep learning.
我们能否用study来预测上下问呢？

我们有一个大小为n的窗口。

使用一个词来预测另外一个词，尽量使这两个词的词向量接近，在skip-gram迭代的过程中，不断调整词向量：
1. 让目标词与上下文的词向量尽可能地接近。
2. 让目标此与非上下文的词向量尽可能地远离。

判断两个词向量是否接近使用向量的点积
$A=(a_1,a_2,...,a_n)$
$B=(b_1,b_2,....,b_n)$
$A\cdot B=a_1\cdot b_1+......+a_n\cdot b_n$
向量的点积衡量了向量在同一方向上的强度，点积越大，两个向量越相似，它们对应的语义也就越相似。

3、结构

in_embedding作为skip-gram模型的输出，得到的结果是，每一个词语到达目标词语的概率。