Word2vector是一群用来生成词向量的模型的集合，Google在2013年开放了Word2vec这一款用于训练词向量的软件工具。
这里先了解词的两种表示形式：转载自http://www.dataguru.cn/article-13488-1.html
1 one-hot representation
这种方法把每个词表示成一个很长的向量，向量的维度是词表大小，采用的是稀疏方式存储，向量中绝大部分元素是0，只有一个维度是1，eg：可爱 [0 0 1 0]
缺点：① 向量的维度会随着句子的词的数量类型增大而增大
② 任意两个词之间在表示上都是孤立的，无法表示语义层面上词汇的相关信息。
2 distributed representation
这里面有一个说法：上下文相似的词，其语义也相似。神经网络语言模型采用的就是文本分布式表示。词向量（word embedding）是训练该语言模型的一个附加产物。
词向量的本质是训练神经网络时候的隐藏层参数或者说矩阵
原文：https://www.cnblogs.com/Revelation/p/9707076.html