word2vec的实现简记

采用negative sampling方式
1.处理数据，获得中心词centers（一个词对应一个序号），背景词和非背景词contexts_negatives（一个词对应一个序号），和标签labels（0和1,0表示非背景词，1表示背景词），masks（用于contexts_negatives长度不足时填充，0表示填充单元，1表示有效单元）
2.定义两个全连接层设【1】，【2】，权重矩阵均为 m * n 其中m为样本总数，n为单词向量表示的特征数
3.计算时候根据【1】【2】得到centers和contexts_negatives的表示，并且将他们做内积运算得到inputs，和targets(也就是lables)，masks之后代入loss函数，loss函数为

nn.functional.binary_cross_entropy_with_logits(inputs, targets,
reduction="none", weight=mask)

得到最终输出，并做BP
4.其算法本质上是将与背景词的预测尽可能接近1，而非背景词的预测尽可能接近于0，以达到缩小损失函数的目的。
这样最终得到的表达下，中心词和背景词的单词向量内积取sigmoid后将会接近1，可以认为是两单词一起出现的可能性。