自然语言处理：一种能让计算机理解人类语言的技术，换而言之自然语言处理的目标就是让计算机理解人说的话，单词的含义让计算机理解语言，首先要理解我们的单词，有三种方法，1.基于同义词词典，2.基于计数方法，3.基于推理的方法(word2vec)。单词分布式表示大家都知道颜色的表示是R，G，B，三原色分别存在的数字精准表示出来，有多少种颜色，对应着相同数量的表示颜色的三维向量，将类似颜色的向量表示方法用到单词表示上就是单词分布式表示.分布式假设如何构建单词分布式表示呢方法：分布式假设。某个单词的含义是由它周围单词形成的，单词本身没有含义，是由上下语境生成的，即单词左侧和右侧单词共现矩阵分布式假设使用向

连续词袋模型（CBOW）模型是word2vec下的一个模型，是一群用来产生词向量的相关模型。这些模型为浅而双层的神经网络，用来训练以重新建构语言学之词文本。网络以词表现，并且需猜测相邻位置的输入词，在word2vec中词袋模型假设下，词的顺序是不重要的。训练完成之后，word2vec模型可用来映射每个词到一个向量，可用来表示词对词之间的关系，该向量为神经网络的隐藏层。具体算法如下：首先，在CBOW模型中，每一个词都对应着一个一维的词向量，这个词向量的大小是自己设定的，一般设置为50到300维度。刚开始的时候，每一个词的词向量都是随机初始化的，后续会通过梯度下降法进行更新。图1CBOW模型示意图

我是tensorflow和word2vec的新手。我刚刚研究了word2vec_basic.py它使用Skip-Gram算法训练模型。现在我想使用CBOW算法进行训练。如果我简单地反转train_inputs和train_labels是否真的可以实现？ 最佳答案 我认为CBOW模型不能简单地通过翻转Skip-gram中的train_inputs和train_labels来实现>因为CBOW模型架构使用周围词向量的总和作为分类器进行预测的单个实例。例如，您应该同时使用[the,brown]来预测quick而不是使用the来预测quic