TrainMethod

Continuous Bag-of-Words

输入是目标单词周围的上下文单词（通常是目标单词前后各n个单词），输出是目标单词。 模型试图根据上下文中的多个单词预测一个单词，即多对一的关系。由于其输入是多个单词的向量求和， 计算复杂度相对较低，训练速度通常比Skip-Gram快。由于其基于上下文单词的求和， 可能不太适合处理罕见词或低频词，因为它们的上下文可能不足以提供有效的信息。 通常使用较小的上下文窗口，因为每个输入已经聚合了多个单词的信息。 在文档分类或情感分析等任务中表现较好，因为它更关注上下文的整体信息。

输入是目标单词，输出是目标单词周围的上下文单词。模型试图从一个单词预测多个上下文单词，即一对多的关系。 需要为每个上下文单词计算输出层，因此计算复杂度较高。由于其预测多个上下文单词，可能对罕见词的处理效果更好。 可以使用较大的上下文窗口，因为它试图直接预测每个上下文单词。在单词相似度任务或单词 类比任务中表现较好，因为它更关注单词之间的关系。