网上有很多这方面的资源，详细各位都能够对于word2vec了解了大概，这里只讲讲个人的理解，
目的：通过对于一个神经网络的训练，得到每个词对应的一个向量表达
基于： 这个神经网络，是基于语言模型，即给定T个词的字符串s，计算s是自然语言的概率p（w1，w2,…,wt）而构建的，更直白点，就是通过输入wi的上下相邻的n个词（n-gram方法），来就算输出是wi的概率
方案：CBOM和skip-gram两种，每一种有分别有霍夫曼和nec的2种实现方式，所以总共有4种实现模式。
网络：
CBOM 霍夫曼：
输入：与wi相邻的n个节点的one-hot表达向量维度为V（V为语料库的单词总数）
过程：
step1：n个V维向量与V*m维权重向量Wc相乘，得到n个m维的向量（m就是最后每个词所对应的词向量的维度，自己设定）
step2：n个m维的词向量求和得到一个m维向量作为霍夫曼层的输入
step3：下面就是网上很多资料讲解的一个算P（wi|contenti）的过程了，在此不讲具体的，霍夫曼树是为了是计算P（wi|contenti）的时间复杂度降到log级，树上的每个非叶子节点上都有一个m维的向量参数，与step2得到的输出相乘相加通过一个sigmod的激活函数来算的此节点的概率。
输出： P（wi|contenti）的概率
其中loss是cross-entropy，然后反向传播，更新网络中的参数。
而词向量就是step1中的输出，一个词对应一个m维的向量。
CBOM nec：
step1和step2一样，只不过优化计算P（wi|contenti）的时候，没有采用霍夫曼树，而是通过对语料库的数据采样来计算，而不是遍历整个语料库。
skip-gram和CBOW刚好相反，
输入是一个单词
输出其上下相邻单词的概率
词向量也蕴含在one-hot到m维向量的转换中。
强烈建议看一下：
word2vec Parameter Learning Explained
* 除此之外附上几个较为有用的word2vec资料：*