分析步骤：
第一步：将one-hot形式分词结果作为输入([0,1,0....,0]的列向量的V*1维词向量)，与投影矩阵C(D*V维度)相乘，得到D*1维的向量
第2步：将第一步的输出结果做拼接，作为隐藏层的输入。
第3步：经过一个全连接的神经网络，经过激励层，再softmax,得到该词出现的概率矩阵和互熵损失。不断训练输出结果，改善权重矩阵C(可以发现C的列向量就是该词的词向量表现形式)
分析步骤：
第一步：将one-hot形式分词结果作为输入([0,1,0....,0]的列向量的V*1维词向量)，与投影矩阵C(D*V维度)相乘，得到D*1维的向量
第2步：将第一步的输出结果做拼接，作为隐藏层的输入。
第3步：经过一个全连接的神经网络，经过激励层，再softmax,得到该词出现的概率矩阵和互熵损失。不断训练输出结果，改善权重矩阵C(可以发现C的列向量就是该词的词向量表现形式)