Word2Vec模型中，主要有Skip-Gram和CBOW两种模型，从直观上理解，Skip-Gram是给定input word来预测上下文。而CBOW是给定上下文，来预测input word。
Skip-Gram的实现逻辑类似于自编码器，模型的输出不是最终结果，隐层构成的向量才是所要的vector。
以句子The quick brown fox jumps over the lazy dog为例，实现过程为
1 选定词语fox作为input-word
2 定义skip-window作为input-word的上下文范围，如skip-window=2，fox的上下文为quick，brown, jumps, over，组成的样本对(fox,quick),(fox,brown), (fox,jumps), (fox,over)。定义窗口中选取的样本对个数num-skips，如果num-skips=2，skip-window=2，则从四组样本中随机选取两组作为样本。
Skip-Gram样本选取过程
3 对样本word进行编码，如one-hot编码。
4 定义网络。假设总词汇量是5000，则输入维度设为5000维，输出维度同样是5000维，表示每一个单词的概率。隐层可以设置为100（在Python的gensim包中封装的Word2Vec接口默认的词向量大小为100， window_size为5）。
6 训练得到网络参数，把输出层去掉，隐层作为输出层，输入单词，即可得到对应向量。
直观上理解，如果两个不同的单词有着非常相似的“上下文”（也就是窗口单词很相似，比如“Kitty climbed the tree”和“Cat climbed the tree”），那么通过我们的模型训练，这两个单词的嵌入向量将非常相似。
