word2vec 背后的想法是用维度为d的实数向量来表示单词。因此，第二个矩阵是这些词的表示。

该矩阵的第i行是第i个单词的向量表示。

假设在您的示例中，您有 5 个单词：[“Lion”、“Cat”、“Dog”、“Horse”、“Mouse”]，那么第一个向量 [0,0,0,1,0] 表示您'正在考虑“Horse”这个词，所以“Horse”的表示是[10,12,19]。类似地，[17, 24, 1] 是“Lion”这个词的表示。

据我所知，这些表示中的每个数字都没有专门的“人类意义”。一个数字不代表这个词是否是动词，是否是形容词......这只是你改变的权重来解决你的优化问题来学习你的词的表示。

本教程可能会有所帮助： http: //mccormickml.com/2016/04/19/word2vec-tutorial-the-skip-gram-model/尽管我认为您放置的图像来自此链接。

您也可以查看此内容，这可能有助于您开始使用 TensorFlow 使用词向量：https ://www.tensorflow.org/tutorials/word2vec

TL;博士：

第一个矩阵以一种热格式表示输入向量

第二个矩阵表示从输入层神经元到隐藏层神经元的突触权重

更长的版本：

“特征矩阵到底是什么”

看来您没有正确理解表示。该矩阵不是特征矩阵，而是神经网络的权重矩阵。考虑下面给出的图像。特别注意输入层矩阵与权重矩阵相乘的左上角。

现在看右上角。这个矩阵乘法 InputLayer 点积与权重转置只是一种方便的方式来表示右上角的神经网络。

因此，为了回答您的问题，您发布的方程式只是 Word2Vec 算法中使用的神经网络的数学表示。

第一部分，[0 0 0 1 0 ... 0] 将输入单词表示为一个热向量，另一个矩阵表示每个输入层神经元与隐藏层神经元的连接的权重。

在 Word2Vec 训练时，它会反向传播到这些权重中并对其进行更改，以更好地将单词表示为向量。

训练完成后，您仅使用此权重矩阵，将 [0 0 1 0 0 ... 0] 表示为“狗”，并将其与改进的权重矩阵相乘，以获得“狗”在维度上的向量表示 =没有隐藏层神经元。

在您提供的图表中，隐藏层神经元的数量为 3

所以右手边基本上是词向量。

图片来源：http ://www.datasciencecentral.com/profiles/blogs/matrix-multiplication-in-neural-networks