word2vec是利用一个三层神经网络，将one-hot编码训练成维度更小的词向量，为后面的自然语言处理作出铺垫。
也就是说，它是自然语言处理的第一步。
CBOW模型
CBOW（Continuous Bag-of-Words Model）是一种根据上下文的词语预测当前词语的出现概率的模型，其图示如上图左。CBOW是已知上下文，估算当前词语的语言模型；
一般来说，三层神经网络应该是这样的。
由于 word2vec 输入的是one-hot编码，所以模型可以简化为下面的图
1.输入层：上下文单词的onehot
2.所有onehot分别乘以共享的输入权重矩阵W
3.所得的向量 相加求平均作为隐层向量
4.乘以输出权重矩阵W'
5.得到目标向量，概率最大的index所指示的单词为预测出的中间词（target word)
也就是说，我们的目标就是求出W ，W~矩阵的参数值，方法就是反向传播算法的更新思路。
只不过为了优化时间复杂度，将W*矩阵的参数放在一颗哈夫曼树上面进行更新而已。
具体的推导和证明在下面的ppt里面。