word2vec确是挺好用的。
关于原理网上比较多。
【1】大白话讲解word2vec到底在做些什么
http://blog.csdn.net/mylove0414/article/details/61616617
word2vec是一个最初级的入门白话讲述。作为一个感性认识的讲述。
【2】word2vec原理及实现
http://blog.csdn.net/FANGPINLEI/article/details/52200832
这篇会稍带有模型来疏理一下；
【3】word2vec 中的数学原理详解
http://blog.csdn.net/itplus/article/details/37969519
这有一系列文章，是最全面，最透彻的一个博文讲解。来龙去脉等全部基础包括:
（一）目录和前言
（二）预备知识
（三）背景知识
（四）基于 Hierarchical Softmax 的模型
（五）基于 Negative Sampling 的模型
（六）若干源码细节
【4】word2vec原理推导与代码分析
http://www.hankcs.com/nlp/word2vec.html
这是一篇高度总结的文章，总结的原料还是来自《word2vec 中的数学原理详解》
总结：以下以CBOW为例
word2vec更像是统计学习的一种方法。
就是求解上面这个公式最大似然函数问题；
主要思想：对于语料的目标词，用目标词的相邻词作为条件，计算相邻词，对于所有目标词出现的最大化。反映词与词之间的位置关系，也反映了一个语料的特征。
对于这个词的表示向量是来自huffman树上的权重。
基于神经网络的语言模型，进行了进一步简化，从结构来看，一共三层，输入层、投影层、输出层；输入2C个目标词的向量，C叫做窗口；到投影层进加累加；在输出层，采用了二叉树来实现多个二分类。
最后生成的向量就是二叉树中训练的参数。
按上面的对数似然可以看出是把所有叶节点汇总，至于汇总的概率就是从根到叶子节点乘积，对于一个分叉点分类，这里采用了逻辑回归的分类方法，其实再高大上点说这里其实是一个神经网络。
就这样就构成了一个word2vec的模型，妙！！！妙！！！妙！！！
或者，我们可以这样看待这个问题，发现问题：要挖掘语料中每个字符的特征，例如，词的位置关系。我们的问题域是在自然语言处理，业务上加入N-gram模型。好的，有词有一定语法关系就可以构造成一篇有意义的文章了。这里可以假设词的位置关系可以决定文章的中心语义的。现在对所有词寻找位置关系的特征。对于目标函数就是所有词处于一个最优相邻关系时，会是语料中最好的状态。
happyprince, http://blog.csdn.net/ld326/article/details/79476844