CBOW 模型实际上将多个词作为输入，将目标中心词作为输出。
因此，经过训练的模型实际上将几个词映射到一个词，我的意思是它需要上下文词并输出中心词。但是我们期望得到的是模型将一个词映射到它的向量表示。似乎输出是重合的，但不是输入和映射。
所以就像在基因论中一样，将一个单词映射到它的向量表示是如何真正起作用的？它只是将所有最终模型的输出保存为中心词的向量表示吗？但最终模型的输出将接近基本事实的 one-hot embedding，而不是带有上下文信息的向量。
简而言之，我的问题是：
CBoW 模型如何将一个词转换为其向量表示？
CBoW（Continuous bag-of-words）是一种理论架构，不完全是保存的模型或像 gensim 这样的库。Gensim 可能是 CBoW 的一种实现，您可以向其中提供一个单热向量并获得您的词向量输出。
CBoW 作为一种理论模型，根据围绕它的词的“表象意义”赋予一个词“表象意义”。“表征意义”可能只是词向量的一个花哨术语。因此，基本上该模型可能使用负采样和 NCE 损失从周围的词向量中构建词向量，但主要的一点是它会微调这些向量，直到它们的“表示意义”变得很好。
然后，这些经过精心打磨的向量可能可以通过 one-hot 输入从 gensim 调用。
训练时的 CBOW 尝试从上下文词中预测主词。
训练完成后，我们使用第一个隐藏层的权重矩阵来获得 Word2vec 嵌入。权重矩阵乘以一个热编码得到 word2vec 嵌入。
如果你将一个 1 x 10,000 的 one-hot 向量乘以一个 10,000 x 300 的矩阵，它实际上只会选择对应于“1”的矩阵行。这是一个小例子，可以给你一个视觉效果。：
这意味着该模型的隐藏层实际上只是作为查找表运行。隐藏层的输出只是输入词的“词向量”。
参考： http: //mccormickml.com/2016/04/19/word2vec-tutorial-the-skip-gram-model/