背景和诞生

在word2vec诞生之前，利用机器学习方法解决自然语言处理问题使，一般都是用one-hot编码（可以翻译成“独热编码”）去表征词语。one-hot编码是一种稀疏矩阵，计算时会带来很多麻烦，因为：

向量的维度会随着句子的词的数量类型增大而增大；
任意两个词之间都是孤立的，无法表示语义层面上词汇之间的相关信息.

PS：当然，在深度学习中涉及到矩阵相乘，有人会说one-hot编码算起来十分麻烦（有多少单词这个矩阵就有多少维数）。事实上，one-hot编码算起来一点也不麻烦，因为它是稀疏的，矩阵中只有一个数字是1，其他都是0。学过线代的都知道，这种相乘的计算其实是很方便的。

one-hot计算示意

传统的独热表示仅仅将词符号化，不包含任何语义信息。如何将语义融入到词表示中？Harris 在 1954 年提出的“分布假说”为这一设想提供了理论基础：上下文相似的词，其语义也相似。Firth 在 1957年对分布假说进行了进一步阐述和明确：词的语义由其上下文决定。
所以我们可以将我们的任务拆解成两部分：

选择一种方式描述上下文；
选择一种“模型”刻画某个词（即“目标词”）与其上下文之间的关系。

什么意思呢？可以这么理解：
以CBOW模型为例，如果有一个句子“我今天听了周杰伦的歌”，在训练的时候，将“我今天听了周杰伦的”作为输入，预测出最后一个词是“歌”。
分布式表示的较大优点在于它具有非常强大的表征能力，比如n维向量每维k个值，可以表征k的n次方个概念。下图的神经网络语言模型（NNLM）采用的就是文本分布式表示。而词向量(word embedding)是训练该语言模型的一个附加产物，即图中的矩阵C。

文本的分布式表示

这个时候，word2vec就诞生了。其实，word2vec是词嵌入（word embedding）的一种方式。它将上文提到的one-hot的两个缺点解决了：

将vector每一个元素由整形改为浮点型，变为整个实数范围的表示。将原来稀疏的巨大维度压缩嵌入到一个更小维度的空间。
矩阵的每个维度都代表一定的语义。
例如：
对于训练好的几个词语，可能是这样的：

word2vec

可以得出这个结论：

Man - King = Woman - Queen
这就是word2vec的神奇所在。这个特性意味着Word2Vec所生成的词向量具有了语义推理能力。
但很遗憾，我们自己去训练词向量的时候，其实很难复现这个结果出来（需要的计算资源实在是太庞大了）。幸运的是，对于小型的预料库，还是有一定的效果的。

两种模型

两个训练方案分别是CBOW和Skip-Gram，如图所示

两个模型

其中，CBOW通过上下文来预测当前词；而Skip-gram通过当前词预测上下文。至于原理，咱们下次再说。

参考资料

博客：
苏剑林. (2017, Apr 02). 《【不可思议的Word2Vec】 1.数学原理》[Blog post]. Retrieved from https://spaces.ac.cn/archives/4299
word2vec原始论文：

[1] Tomas Mikolov, Kai Chen, Greg Corrado, and Jeffrey Dean. Efficient Estimation of Word Representations in Vector Space. In Proceedings of Workshop at ICLR, 2013.
[2] Tomas Mikolov, Ilya Sutskever, Kai Chen, Greg Corrado, and Jeffrey Dean. Distributed Representations of Words and Phrases and their Compositionality. In Proceedings of NIPS, 2013.