word2vec是将词转化为向量的一个强大的工具，它是google在2013年推出的，其特点是将所有的词向量化，这样词与词之间就可以定量的去度量他们之间的关系。
word2vec一般分为CBOW与Skip-Gram两种模型，下面会分别对两种模型进行具体的介绍。
本文参考的内容会在文章的下方列出。
一. CBOWCBOW模型是根据中心词周围的n个词来预测中心词。
CBOW的模型结构图如下：
模型由输入层、隐藏层和输出层组成。
模型最终要求出的其实是输入层和隐藏层之间的权重矩阵，下面会详细说明模型的具体步骤：
这里假设上下文的单词个数为N,单词向量空间dim为M，也就是词典的大小
输入时上下文的one-hot向量
输入层和隐藏层之间的权重为W（M*N，N为自己设定的个数）对权重初始化，所得的向量进行相加求平均操作，size为1*N
隐藏层和输出层的权重为W‘（N*M），2得到的结果乗W‘，得到1*M的向量
得到的向量与true label的one-hot做比较，误差越小越好
流程举例：
现在有一句话：I drink coffee everyday
要预测coffee这个词的词向量，我们选取的窗口大小为2，也就是根据“I”，“drink”，“everyday”来预测预测一个单词，并且希望最终的结果是“coffee”