1.CBOW 模型
CBOW模型包括输入层、投影层、输出层。模型是根据上下文来预测当前词，由输入层到投影层的示意图如下：
这里是对输入层的4个上下文词向量求和得到的当前词向量，实际应用中，上下文窗口大小可以设置。
输出层是一颗哈夫曼树，从向量W（t）到哈夫曼树的转化过程是这样的：以训练语料中出现的词当叶子结点，以各词在语料中出现的次数当权值来构造，这样不仅可以保证出现频率更高的词可以被更快地搜索到，而且为使用Hierarchical softmax铺平了道路。
对于词典中的任意词w，必然存在一条从根节点到这个词的路径，哈夫曼树是一颗二叉树，我们可以将根节点到叶子结点（词）的过程视为一个不断进行二分类（这里选择逻辑回归）的过程，那么每一次分类都会涉及到以一个概率选择一个分支，那么最后选择某个叶子结点（词）的概率就是从根节点到叶子结点过程中所有节点选择概率的连乘。表达式为：
为什么要得到选择每个词对应的概率呢？因为这涉及到了我们的最优化方法。我们使用同神经概率语言模型相同的对数似然函数来优化参数，对数似然函数如下：
然后就可以使用随机梯度下降法来求解相关参数。
2.Skip-gram模型
Skip-gram模型已知的是当前词，需要对其上下文词汇进行预测，因此，其条件概率的形式为：
其中
后面的过程与CBow模型类似。