一句话定义：Word2Vec 是把词语转成数值向量的一类模型，Skip-gram 是它两种训练方式之一——用一个词去预测它周围的词。
原理：用邻居定义含义
计算机不认识"苹果"，只认识数字。要让它理解语言，第一步就是把每个词变成一串数字（向量，vector），并且让意思相近的词，向量也靠得近。
Word2Vec 的巧思在于：它不去查字典，而是让模型玩一个"猜邻居"的游戏。背后的假设很朴素——一个词的意思，由常和它一起出现的词决定。
打个比方：你想知道一个陌生人是干什么的，不必看名片，只看他常和谁待在一起。总在杠铃、蛋白粉旁边出现的，大概率是健身教练。词也一样，"咖啡"旁边常有"喝""苦""提神"，它的向量就会自动飘向"饮品"那片区域。
CBOW 与 Skip-gram 到底差在哪
Word2Vec 有两条训练路线，方向正好相反（CBOW 全称 Continuous Bag-of-Words，连续词袋）：
| 对比项 | CBOW | Skip-gram |
|---|---|---|
| 输入 → 输出 | 上下文词 → 猜中心词 | 中心词 → 猜上下文词 |
| 类比 | 完形填空 | 给一个词写联想 |
| 训练速度 | 通常更快 | 通常更慢 |
| 低频词表现 | 一般 | 通常更好 |
一句话记：CBOW 是"看周围猜中间"，Skip-gram 是"给中间猜周围"。Skip-gram 对冷门词更友好，因为每个词都会单独和它的每个邻居配一次对，出现机会更多。
两者都要靠负采样（AI 词典：Negative Sampling">Negative Sampling）之类的技巧把计算量压下来，否则每一步都要对整个词表做归一化，代价太大。
和后来那些模型的分界
Word2Vec 产出的是静态词向量：一个词永远只有一个向量。"吃苹果"和"苹果手机"里的"苹果"长得一模一样，模型分不出差别。这是它最大的局限，也直接催生了上下文相关表示（contextualized embedding），比如 ELMo、BERT 这条路——同一个词在不同句子里会有不同的向量。
对从业者和普通人的意义
- 它是 embedding 思想的开山之作。推荐系统里的 item2vec、图上的 node2vec，都是"用邻居定义含义"这套思路换个对象再来一遍。
- 工程上，词向量常作为文本分类、聚类、搜索召回的起点特征，快、便宜、够用。
- 经典演示是向量算术：king − man + woman 的结果离 queen 很近，语义关系变成了向量方向上的平移。
对普通人来说：输入法能猜出你下一个词、搜"手机壳"能返回"保护套"的商品，背后都是这类向量在算距离。词有了坐标，语言才终于能被机器"量"出来。
具体实现参数与最新进展，以官方文档和论文页面为准。