在自然语言处理（NLP）领域，词向量（Word Embedding）是将文本转换为数值向量的核心技术。它能让计算机“理解”词语的语义关联，例如“国王”和“女王”的向量差可能与“男人”和“女人”的向量差相似。而Word2Vec作为经典的词向量训练模型，其核心思想是通过上下文预测目标词（或反之）。本文将以 --CBOW（连续词袋模型）为例，带你从代码到原理，一步步实现一个简单的词向量训练过程。
一、CBOW模型简介
CBOW（Continuous Bag-of-Words）是Word2Vec的两种核心模型之一。其核心思想是：给定目标词的上下文窗口内的所有词，预测目标词本身。例如，对于句子“We are about to study”，若上下文窗口大小为2（即目标词左右各取2个词），则当目标词是“about”时，上下文是“We, are, to, study”，模型需要根据这4个词预测出“about”。
CBOW的优势在于通过平均上下文词向量来预测目标词，计算效率高；缺点是对低频词不友好。本文将实现的CBOW模型包含词嵌入层、投影层和输出层，最终输出目标词的概率分布。
二、环境准备与数据预处理
2.1 进度条库安装
pip install torch numpy tqdm
2.2 语料库与基础设置
我们使用一段英文文本作为语料库，并定义上下文窗口大小（CONTEXT_SIZE=2，即目标词左右各取2个词）：
CONTEXT_SIZE = 2 # 上下文窗口大小（左右各2个词）
raw_text = """We are about to study the idea of a computational process.
Computational processes are abstract beings that inhabit computers.
As they evolve, processes manipulate other abstract things called data.
The evolution of a process is directed by a pattern of rules
called a program. People create programs to direct processes. In effect,
we conjure the spirits of the computer with our spells.""".split() # 按空格分割成单词列表
2.3 构建词汇表与映射
为了将文本转换为模型可处理的数值，需要先构建词汇表（所有唯一词），并为每个词分配唯一索引：
vocab = set(raw_text) # 去重后的词汇表（集合）
vocab_size = len(vocab) # 词汇表大小（本文示例中为49）
# 词到索引的映射（如："We"→0，"are"→1）
word_to_idx = {word: i for i, word in enumerate(vocab)}
# 索引到词的反向映射（如：0→"We"，1→"are"）
idx_to_word = {i: word for i, word in enumerate(vocab)}
三、生成训练数据：上下文-目标词对
CBOW的训练数据是“上下文词列表”与“目标词”的配对。例如，若目标词是raw_text[i]，则上下文是[raw_text[i-2], raw_text[i-1], raw_text[i+1], raw_text[i+2]]（假设窗口大小为2）。
3.1 数据生成逻辑
通过遍历语料库，跳过前CONTEXT_SIZE和后CONTEXT_SIZE个词（避免越界），生成上下文-目标词对：
data = []
for i in range(CONTEXT_SIZE, len(raw_text) - CONTEXT_SIZE):
# 左上下文：取i-2, i-1（j从0到1，2-j对应2,1）
left_context = [raw_text[i - (2 - j)] for j in range(CONTEXT_SIZE)]
# 右上下文：取i+1, i+2（j从0到1，i+j+1对应i+1, i+2）
right_context = [raw_text[i + j + 1] for j in range(CONTEXT_SIZE)]
context = left_context + right_context # 合并上下文（共4个词）
target = raw_text[i] # 目标词（当前中心词）
data.append((context, target))
3.2 示例验证
以i=2为例：
- 左上下文：
i-2=0（“We”），i-1=1（“are”）→["We", "are"] - 右上下文：
i+1=3（“to”），i+2=4（“study”）→["to", "study"] - 上下文合并：
["We", "are", "to", "study"] - 目标词：
raw_text[2]（“about”）
四、CBOW模型实现（PyTorch）
4.1 模型结构设计
CBOW模型的核心是通过上下文词的词向量预测目标词。模型结构包含三层：
- 词嵌入层（Embedding）：将词的索引映射为低维稠密向量（如10维）。
- 投影层（Linear）：将拼接后的词向量投影到更高维度（如128维），增加非线性表达能力。
- 输出层（Linear）：将投影后的向量映射回词汇表大小，通过Softmax输出目标词的概率分布。
import torch
import torch.nn as nn
import torch.nn.functional as F
class CBOW(nn.Module): # 神经网络
def __init__(self, vocab_size, embedding_dim):
super(CBOW, self).__init__() # 父类的初始化
self.embeddings = nn.Embedding(vocab_size, embedding_dim)
self.proj = nn.Linear(embedding_dim, 128)
self.output = nn.Linear(128, vocab_size)
def forward(self, inputs):
embeds = sum(self.embeddings(inputs)).view(1, -1)
out = F.relu(self.proj(embeds)) # nn.relu() 激活层
out = self.output(out)
nll_prob = F.log_softmax(out, dim=-1) # softmax交叉熵
return nll_prob
五、模型训练与优化
5.1 初始化模型与超参数
设置词向量维度（embedding_dim=10）、学习率（lr=0.001）、训练轮数（epochs=200），并初始化模型、优化器和损失函数：
vocab_size = 49
model = CBOW(vocab_size, 10).to(device)
optimizer=torch.optim.Adam(model.parameters(),lr=0.001)
losses = []# 存储损失的集合 losses: []
loss_function = nn.NLLLoss() #NLLLoss损失函数（当分类列表非常多的情况），将多个类
5.2 训练循环逻辑
遍历每个训练轮次（epoch），对每个上下文-目标词对进行前向传播、损失计算、反向传播和参数更新：
model.train()
for epoch in tqdm(range(200)):#开始训练
total_loss = 0
for context, target in data:
context_vector = make_context_vector(context, word_to_idx).to(device)
target = torch.tensor([word_to_idx[target]]).to(device)
# 开始前向传播
train_predict = model(context_vector) # 可以不写forward,torch的内置功能，
loss = loss_function(train_predict, target) # 计算损失
# 反向传播
optimizer.zero_grad() # 梯度值清零
loss.backward() # 反向传播计算得到每个参数的梯度
optimizer.step() # 根据梯度更新网络参数
total_loss += loss.item()
六、词向量提取与应用
训练完成后，模型的词嵌入层（model.embeddings.weight）中存储了每个词的向量表示。我们可以将其提取并保存，用于后续任务（如文本分类、相似度计算）。
6.1 提取词向量
# 将词向量从GPU移至CPU，并转换为NumPy数组
W = model.embeddings.weight.cpu().detach().numpy()
print("词向量矩阵形状：", W.shape) # (vocab_size, embedding_dim) → (49, 10)
6.2 生成词-向量映射字典
word_2_vec = {}
for word, idx in word_to_idx.items():
word_2_vec[word] = W[idx] # 每个词对应词向量矩阵中的一行
print("示例词向量（'process'）：", word_2_vec["process"])
6.3 保存词向量
使用np.savez保存词向量矩阵，方便后续加载使用：
import numpy as np
np.savez('word2vec实现.npz', word_vectors=W) # 保存为npz文件
# 加载验证
data = np.load('word2vec实现.npz')
loaded_vectors = data['word_vectors']
print("加载的词向量形状：", loaded_vectors.shape) # 应与原始矩阵一致