【word2vec】word2vec 是由 Google 研发的一种用于生成词向量的深度学习模型，广泛应用于自然语言处理（NLP）领域。它通过将词语映射到高维向量空间中，使得语义和语法关系在向量之间得到体现。常见的 word2vec 模型包括 CBOW（Continuous Bag-of-Words） 和 Skip-Gram 两种训练方式。
CBOW 模型以目标词周围的上下文词作为输入，预测目标词；而 Skip-Gram 则相反，以目标词作为输入，预测其周围的上下文词。这两种方法各有优劣，适用于不同的场景。word2vec 的优势在于能够捕捉词语之间的语义相似性与句法关系，如“国王 - 男人 + 女人 = 女王”这样的类比关系。
此外，word2vec 的训练过程通常需要大量的文本数据，且模型参数较多，因此对计算资源有一定要求。尽管如此，它仍然是 NLP 领域中一个非常重要的基础工具，为后续的词向量模型（如 GloVe、FastText）提供了重要参考。
表格展示：
| 项目 | 内容 |
| 名称 | word2vec |
| 开发者 | |
| 应用领域 | 自然语言处理（NLP） |
| 核心功能 | 生成词向量，捕捉语义与语法关系 |
| 主要模型 | CBOW（连续词袋模型）、Skip-Gram（跳跃-gram模型） |
| 训练方式 | 无监督学习 |
| 输入输出 | CBOW：上下文 → 目标词；Skip-Gram：目标词 → 上下文 |
| 特点 | 能够表示词语间的语义相似性；支持词类比任务 |
| 优点 | 高效、可扩展性强；适用于多种 NLP 任务 |
| 缺点 | 需要大量文本数据；训练时间较长；对未登录词处理较弱 |
| 典型应用 | 文本分类、情感分析、机器翻译等 |
结语：
word2vec 在自然语言处理的发展史上具有里程碑意义，它不仅推动了词向量技术的进步，也为后续的深度学习模型奠定了基础。虽然现在有更多先进的词向量模型出现，但 word2vec 依然是理解和研究语言表示的重要工具之一。
