word2vec
介绍 Link to heading
CBOW 和 Skip-Gram 在训练时的输入数据格式不同：
1. CBOW（Continuous Bag of Words） Link to heading
- 输入：上下文词（多个）
- 输出：中心词（目标词）
CBOW 通过周围的 上下文词（context words） 预测当前的 中心词（target word），训练样本是从文本窗口中抽取的。例如，假设我们有一个文本：
"The cat sits on the mat"
如果窗口大小为 2（即左右各取 2 个词），对于目标词 “sits”，CBOW 的训练样本可能是：
(["The", "cat", "on", "the"], "sits")
即，输入是 上下文词的集合，输出是目标中心词。
CBOW 采用 多个输入映射到一个输出 的方式，因此在训练时，所有上下文词的词向量会求均值，然后用于预测中心词。
2. Skip-Gram Link to heading
- 输入：中心词（单个）
- 输出：上下文词（多个）
Skip-Gram 通过 中心词（center word） 预测其周围的 上下文词（context words），即训练数据是一个个 （中心词，上下文词）对。对于同样的句子：
"The cat sits on the mat"
如果窗口大小为 2，则中心词 “sits” 产生的训练样本是：
("sits", "cat")
("sits", "on")
("sits", "The")
("sits", "the")
即，输入是中心词，输出是其附近的上下文词，每个上下文词都会被视为一个单独的训练样本，因此 Skip-Gram 训练的数据量通常比 CBOW 大。
总结 Link to heading
| CBOW | Skip-Gram | |
|---|---|---|
| 输入 | 上下文词（多个） | 中心词（单个） |
| 输出 | 目标中心词（单个） | 上下文词（多个，多个训练样本） |
| 训练样本 | (上下文词集合 → 目标词) | (中心词 → 上下文词) |
| 计算量 | 小 | 大 |
| 适用场景 | 适合小数据集，学习平滑的词向量 | 适合大数据集，能学到稀有词的语义 |
如果你的数据较小，可以用 CBOW 训练速度快；如果数据量大，想要更细粒度的词表示（尤其是低频词），推荐 Skip-Gram。