網上有很多這方面的資源，詳細各位都能夠對於word2vec瞭解了大概，這裏只講講個人的理解，
目的：通過對於一個神經網絡的訓練，得到每個詞對應的一個向量表達
基於： 這個神經網絡，是基於語言模型，即給定T個詞的字符串s，計算s是自然語言的概率p（w1，w2,…,wt）而構建的，更直白點，就是通過輸入wi的上下相鄰的n個詞（n-gram方法），來就算輸出是wi的概率
方案：CBOM和skip-gram兩種，每一種有分別有霍夫曼和nec的2種實現方式，所以總共有4種實現模式。
網絡：
CBOM 霍夫曼：
輸入：與wi相鄰的n個節點的one-hot表達向量維度爲V（V爲語料庫的單詞總數）
過程：
step1：n個V維向量與V*m維權重向量Wc相乘，得到n個m維的向量（m就是最後每個詞所對應的詞向量的維度，自己設定）
step2：n個m維的詞向量求和得到一個m維向量作爲霍夫曼層的輸入
step3：下面就是網上很多資料講解的一個算P（wi|contenti）的過程了，在此不講具體的，霍夫曼樹是爲了是計算P（wi|contenti）的時間複雜度降到log級，樹上的每個非葉子節點上都有一個m維的向量參數，與step2得到的輸出相乘相加通過一個sigmod的激活函數來算的此節點的概率。
輸出： P（wi|contenti）的概率
其中loss是cross-entropy，然後反向傳播，更新網絡中的參數。
而詞向量就是step1中的輸出，一個詞對應一個m維的向量。
CBOM nec：
step1和step2一樣，只不過優化計算P（wi|contenti）的時候，沒有采用霍夫曼樹，而是通過對語料庫的數據採樣來計算，而不是遍歷整個語料庫。
skip-gram和CBOW剛好相反，
輸入是一個單詞
輸出其上下相鄰單詞的概率
詞向量也蘊含在one-hot到m維向量的轉換中。
強烈建議看一下：
word2vec Parameter Learning Explained
* 除此之外附上幾個較爲有用的word2vec資料：*