摘要：
1.算法概述
2.算法要點與推導
3.算法特性及優缺點
4.注意事項
5.實現和具體例子
6.適用場合
內容：
1.算法概述
Word2Vec是一個可以將語言中的字詞轉換為向量表達（Vector Respresentations）的模型,Word2vec可以將字詞轉為連續值的向量表達，並且其中意義相近的詞將被映射到向量空間中相近的位置。其主要依賴的假設是Distributional Hypothesis,即在相同語境中出現的詞其語義也相近。Word2vec主要分為CBOW(Continuous Bag of Words)和Skip Gram兩種模式，其中CBOW是從原始數據推測目標字詞；而Skip-Gram是從目標字詞推測原始語句，其中CBOW對小型數據比較合適，而Skip-Gram在大型預料中表現得更好。
2.算法要點與推導
Word2Vec的CBOW模型是一個二分類模型，用來區分真是的目標詞匯和噪聲詞匯兩類，其中噪聲詞匯是通過負樣本采樣（Negative Sampling,隨機選擇k個詞匯）方法構造得來。Word2Vec使用Noise-Constrastive Estimation Loss,在tf.nn.nce_loss()方法中有實現。
3.算法特性及優缺點
4.注意事項
5.實現和具體例子
6.適用場合