Word2Vec：CBOW与Skip-gram的对比
Word2Vec包括CBOW和Skip-gram两种模型。请对比两者的训练目标、计算效率、适用场景（高频词/低频词/数据集大小）。从数学角度说明两者是如何学习词向量的。
回答
屠龙少年
CBOW（Continuous Bag of Words）：给定上下文词预测中心词。输入为上下文的平均词向量，通过投影层直接映射到中心词。训练快，对高频词效果好，适合大数据集。Skip-gram：给定中心词预测上下文。每个中心词-上下文组成一条训练样本。训练慢（每个中心词需预测多个上下文），但对低频词和罕见词更鲁棒，适合小/中数据集。数学原理：本质上两者都是浅层神经网络，通过训练使目标词的向量与其他词的向量在embedding空间中接近。优化时使用负采样（避免全词表softmax）或层次Softmax（Huffman树将计算从V降为logV）。CBOW和Skip-gram在训练效率上的差异源于：CBOW一次预测（所有上下文合并），Skip-gram需多次预测（每个上下文一对）。