Word2Vec是一种用于生成词向量的模型，由TomasMikolov等人在2013年提出。它通过从大量语料库中学习，捕捉词汇之间的语义关系。Word2Vec主要包括两种模型架构：1.CBOW（ContinuousBagofWords）模型CBOW模型通过上下文词来预测中心词。它的工作原理如下：输入：上下文词（例如，选取

CBOW（ContinuousBagofWords）是一种常用于自然语言处理的词嵌入模型，属于Word2Vec的一部分。CBOW模型的目标是通过上下文词来预测中心词。它通过在大规模语料库中学习词汇之间的共现关系，生成词向量表示。CBOW模型的工作原理上下文窗口：CBOW模型的核心思想是利用上下文窗口中的词

Word2Vec是一种用于将词汇映射到高维向量空间的自然语言处理技术。由Google在2013年提出，它利用浅层神经网络模型来学习词汇的分布式表示。Word2Vec有两种主要模型：CBOW（ContinuousBagofWords）和Skip-gram。1.模型介绍ContinuousBagofWords(CBOW)CBOW模型的目标是通

one-hot词表有多大，每个词的词向量就有多少维不足稀疏。没有语义信息。Word2Vec两种训练框架：CBOW：上下文预测中心词skip-gram：中心词预测上下文（wordembedding多用这种）word2vec的词向量考虑到了词的前后一定窗口内的上下文语义信息，且表示更加稠密。不足词向量是静态

 Datawhale干货 作者：芙蕖，Datawhale优秀学习者，东北石油大学为了处理语言，需要将文本信息用向量的形式表达。词向量（WordVector）或称为词嵌入（WordEmbedding）就是将词语向量化

词嵌入深度学习的本质是对数字的学习，机器无法直接处理文本字符串，这要求我们先将文本转换为数字，然后继续执行后续的任务。这里介绍两种词嵌入的方法1、独热嵌入（one-hotem