有关word2vector的原理这里不赘述，本篇仅阐述怎么使用tensorflow来做一个实际操作案例。这里的一些说明，均为实际操作总结，或来自别人的总结，经个人对在实际操作或理论理解基础上，比较赞同的观点，望对大家学习和实践中有所帮助。
为什么要使用word2vector技术？因为除非在使用树模型，否则都需要将词转换为一些数值向量。一种直接的做法是使用one-hot，将其转为稀疏表示，只有该词向量为1，其余为0。如：
显然这样当词袋较大时，任何神经网络的输入将会很大，除此之外，one-hot的表达方式，并没有考虑到该词的上下文内容，这是一个很大的弊端。针对以上这两点，word2vector旨于解决将一个词的one-hot型的高维表达方式，转为更低维度的向量，以及考虑词的上下文内容。
如上图， word2vector仅为一个简单的网络，即一层输入(input layer)，一层隐层（hidden layer），这一层可以只是简单地权重相加，也可以是非线性的，如sigmoid何tanh，一层输出（output layer)，输出层采用softmax。在训练过程中，我们想要训练得到的结果是在cat周围的词有更大的概率，而其他的词的概率较小。如果词袋大小为10000，我们想要减小为300为，那么首先需要的10000*300的权重矩阵(中间层)，该矩阵的每一行代表词袋中的每一个词，这个矩阵也就成为了一个embeddding look-up table。
关于两种word2vector模型，简单来说，skip gram模型，就是使用给定的词，来预测其周围的词的概率。CBWM（continuous bag of words model）是使用中间词的周边词，来预测该中间词。除此之外，还有关于训练过程中的负采样问题。
其他说明：
为了得到词语的有意义的收敛的词向量，需要较大的语料库，否则出来的词向量偶然性较大。
参考来源：
[https://adventuresinmachinelearning.com/word2vec-tutorial-tensorflow/]
[https://towardsdatascience.com/learn-word2vec-by-implementing-it-in-tensorflow-45641adaf2ac]
