Python深度学习教程：什么是Word2Vec？
前几天录了一个什么是 Word2Vec 的教程，在 B 站 http://www.bilibili.com/video/av9258966/
不知道有没有解释清楚。懂一点深度学习的朋友看一看，给点意见。
我去年也制作了一个深度学习入门的教程，在这里： https://github.com/CreatCodeBuild/TensorFlow-and-DeepLearning-Tutorial/tree/master/Season1
总之在这里分享出来给大家咯。
（分享在 Python 节点是因为教程代码 Python ）
Python深度学习教程：什么是Word2Vec？
你发的是 word embedding ，不是 word2vec
word2vec 特指 mikolov 在 2011 年发的 paper 中用到的模型和工具。
具体来说，是 CBOW + SKIP-GRAM 两个模型， negative sampling + hierarchical softmax 两种训练方法组成的 word embedding 训练方法。
至于你在视频里说的“最后走一层 softmax ”，完全不可用， softmax 时间复杂度 O(#token)， token 有 90w 的情况下（ nlp 常见），根本训练不出来，这也正是 mikolov 使用 hierarchical softmax 训练的原因
还是那个建议，多学知识，别急着做些没有信息量的视频，搞个人 PR 。
Word2Vec是Google在2013年推出的一个词嵌入模型，它的核心思想是把单词映射成稠密向量。简单说，就是把一个词变成一串有意义的数字，让意思相近的词在向量空间里也挨得近。
它主要有两种训练架构：CBOW（连续词袋模型）和Skip-gram。CBOW是用上下文词来预测中心词，适合数据量小的情况；Skip-gram则是用中心词来预测上下文，对低频词效果更好，也更常用。
下面是一个用gensim库训练Word2Vec模型的简单例子：
from gensim.models import Word2Vec
# 示例语料，每个句子是分词后的列表
sentences = [
['我', '喜欢', '编程'],
['你', '喜欢', '算法'],
['机器学习', '很', '有趣'],
['深度学习', '是', '机器学习的', '一个', '分支']
]
# 训练模型
# vector_size: 词向量维度
# window: 上下文窗口大小
# min_count: 忽略出现次数少于该值的词
# sg: 0为CBOW, 1为Skip-gram
model = Word2Vec(sentences, vector_size=100, window=5, min_count=1, sg=1)
# 查看“编程”的词向量
vector = model.wv['编程']
print(f"“编程”的词向量（前10维）: {vector[:10]}")
# 找出最相似的词
similar_words = model.wv.most_similar('编程', topn=3)
print(f"与“编程”最相似的词: {similar_words}")
训练完后，你可以用model.wv['词']取向量，或者用most_similar找近义词。这串向量能捕捉到语义关系，比如“国王”-“男人”+“女人”≈“女王”。
总结一下，Word2Vec就是把词变成向量的经典方法。
基于 word2vec+TextRank 算法生成文章摘要,目前可处理中文版，文本小于 5000 字
https://www.xiaohuaerai.com/trail/zhaiyao
