Word2Vec是一种用于生成词向量的算法。它基于分布假设，即上下文相似的词在语义上也是相似的。Word2Vec算法有两个主要的训练模型：CBOW（Continuous Bag of Words）和Skip-gram。

  在CBOW模型中，算法试图根据上下文词来预测目标词。具体来说，它以目标词的上下文窗口中的词作为输入，然后通过一个隐藏层将它们映射到一个向量表示。这个向量表示经过线性变换和激活函数后，最终会被映射到目标词的词向量。CBOW模型的目标是最小化预测词向量与实际目标词向量之间的距离。

  在Skip-gram模型中，算法试图根据目标词来预测上下文词。与CBOW相反，Skip-gram模型以目标词作为输入，通过隐藏层将其映射到一个词向量表示。然后通过线性变换和激活函数处理后，该向量表示会被映射到目标词上下文窗口中的每个词的词向量。Skip-gram模型的目标是最小化预测词向量与实际上下文词向量之间的距离。

  无论是CBOW还是Skip-gram模型，词向量的维度通常是一个固定的超参数。生成的词向量是未经归一化的实数向量，通常具有数百维或数千维。每个维度代表了词在特定上下文语境中的语义特征。

  词向量表示是由Word2Vec模型通过迭代训练数据集而生成的。通过多次迭代，模型会调整词向量的值，以便更好地捕捉到词之间的语义关系。训练后的词向量具有一定的语义含义，可以用于计算词之间的相似度、进行聚类或作为其他自然语言处理任务的特征输入。