在使用 gensim 库进行训练时，Skip-gram word2vec 和 CBOW w2v 有什么区别？
What's the difference between Skip-gram word2vec and CBOW w2v during training with gensim library?
对于Skip-gram word2vec训练样本获取如下：
Sentence: The fox was running across the maple forest
单词fox给出下一对训练：
fox-run, fox-across, fox-maple, fox-forest
等等，每一个字。 CBOW w2v 使用反向方法：
run-fox, across-fox, maple-fox, forest-fox
或 forest 单词：
fox-forest, run-forest, across-forest, maple-forest
所以我们得到了所有的对。如果我们在 CBOW 模式下训练时不指定目标词，那么在使用 gensim 库训练期间，Skip-gram word2vec 和 CBOW w2v 有什么区别？在这两种情况下，是否都使用了所有的单词对？
只有 skip-gram 使用 (context_word)->(target_word).
形式的训练对
在CBOW中，训练样例为(average_of_multiple_context_words)->(target_word)。因此，当反向传播来自单个训练示例的错误时，多个上下文词会得到相同的纠正微调。
对于Skip-gram word2vec训练样本获取如下：
Sentence: The fox was running across the maple forest
单词fox给出下一对训练：
fox-run, fox-across, fox-maple, fox-forest
等等，每一个字。 CBOW w2v 使用反向方法：
run-fox, across-fox, maple-fox, forest-fox
或 forest 单词：
fox-forest, run-forest, across-forest, maple-forest
所以我们得到了所有的对。如果我们在 CBOW 模式下训练时不指定目标词，那么在使用 gensim 库训练期间，Skip-gram word2vec 和 CBOW w2v 有什么区别？在这两种情况下，是否都使用了所有的单词对？
只有 skip-gram 使用 (context_word)->(target_word).
在CBOW中，训练样例为(average_of_multiple_context_words)->(target_word)。因此，当反向传播来自单个训练示例的错误时，多个上下文词会得到相同的纠正微调。