Word2Vec是一种用于将词语表示为连续向量的技术，它主要有两种常用的训练算法：Skip-gram和CBOW。

  1. Skip-gram算法：Skip-gram模型试图基于当前词来预测它周围的上下文单词。具体来说，对于给定的一个中心词，Skip-gram算法通过最大化上下文词与中心词的条件概率来训练模型。这可以通过使用softmax函数将中心词和上下文词的词向量进行内积运算，并将结果转化为概率分布来实现。Skip-gram算法适用于对于大规模语料库进行训练。

  2. CBOW算法：CBOW（Continuous Bag-of-Words）模型则是与Skip-gram相反的过程，它试图基于上下文单词来预测中心词。CBOW算法将上下文词的词向量加和取平均，然后通过内积计算与中心词的相似度，进而进行训练。CBOW算法在小规模语料库上训练更快。

  以上是Skip-gram和CBOW这两种算法的基本思想和实现方式。另外，Word2Vec中还有一些衍生算法，如negative sampling（负采样）和hierarchical softmax（分层softmax），它们在处理大规模语料时可以提高训练效率和性能。

  需要注意的是，Skip-gram和CBOW算法的选择取决于具体的应用场景和语料特点。一般来说，Skip-gram算法对于稀有词较多的情况下表现更好，而CBOW算法对于高频词较多的情况下更为适用。