本文共 456 字，大约阅读时间需要 1 分钟。

                                      Word2vec模型之 skip-gram 与 cbow 比较

cbow 和 skip-gram 都是在 word2vec 中用于将文本进行向量表示的实现方法，具体的算法可查看  和 。

一、计算复杂度O

    1、cbow O(V)

        在 cbow 方法中，是用周围词预测中心词，从而利用中心词的预测结果情况，使用GradientDesent方法（梯度下降方法），不断的去调整周围词的向量。当训练完成之后，每个词都会作为中心词，把周围词的词向量进行了调整，这样也就获得了整个文本里面所有词的词向量。

        要注意的是， cbow 的对周围词的调整是统一的：求出的 gradient 的值会同样的作用到每个周围词的词向量当中去。

        可以看到，cbow 预测行为的次数跟整个文本的词数几乎是相等的（每次预测行为才会进行一次 backpropgation（反向传播）, 而往往这也是最耗时的部分），复杂度大概是O(V)。

    2、skip-gram O(KV)

        skip-gram 是用中心词来预测周围的词。在 skip-gram 中&#