前言
问题：传统的词语的向量表达不能反映词和词之间的相似性和相关
语义，且表示维度很长，容易造成维度灾难。（如One-Hot表达一个
词，就是初始化一个长度为语料库的向量，并将该词所在位置初始化
为1，其他位置均为0，维度很长，且无法反映各个词语之间的关系）
因此这种局限导致只能完成一些简单的NLP任务。
措施：为了解决这个问题，就提到了Word2Vec，其核心内容在于
它提出的CBOW模型和Skip-gram模型。实现CBOW和Skip-gram这
两个架构就是实现Word2Vec。
Word2Vec的目的：解决词语表示维度过长的问题 以及 词语的向量
表示不能反映语义的问题。
