Word2Vec是一种基于神经网络的词向量表示方法，主要有两种模型：Skip-gram和CBOW（Continuous Bag of Words）模型。下面我将分别介绍它们的训练过程。

  在Skip-gram模型中，我们需要定义一个中心词和它的上下文词窗口。窗口的大小决定了中心词周围几个词被视为上下文词。训练过程如下：

  1. 初始化词向量：首先，为语料库中的每个词随机初始化一个固定长度的词向量。这些词向量将作为网络的输入层。

  2. 构建训练数据：对于语料库中的每个句子，以每个词为中心词，同时根据窗口大小选择上下文词。将这些词对作为训练样本。

  3. 定义神经网络：神经网络的输入层是中心词的词向量。网络的隐藏层是指定大小的中间层，可以是多层感知机或深度神经网络。输出层是所有词的词向量。

  4. 训练模型：使用随机梯度下降或其他优化算法，通过最小化损失函数来优化网络的权重和偏差。损失函数可以是交叉熵损失函数或者其他适合于多分类任务的损失函数。

  5. 更新词向量：在训练过程中，每个词的词向量会被更新以更好地反映词之间的语义关系。训练过程迭代多次，直到达到指定的停止条件。

  CBOW模型整体结构与Skip-gram模型类似，但是输入与输出的顺序相反。CBOW模型通过上下文词的词向量预测中心词的词向量。CBOW模型的训练过程与Skip-gram模型类似，只是输入与输出的对应关系不同。

  最终，训练完成后，我们可以使用已训练好的模型来获取每个词的词向量表示。这些词向量可以用于词汇相似度计算、文档分类和聚类等自然语言处理任务。