CBOW用上下文预测中心词，Skip-gram用中心词预测上下文；前者多对一、训练快、适合高频词，后者一对多、训练慢但低频词向量更准，尤其适用于小语料或专业领域长尾词。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
CBOW和Skip-gram本质是两种反向的预测逻辑：一个用“周围词猜中间词”，一个用“中间词猜周围词”。选错模型，词向量质量可能直接打折——不是参数调得不够细，而是方向走偏了。
预测方向相反，训练目标天然不同
CBOW把上下文词的向量平均后，输入单层网络，预测当前中心词。比如句子“她 喜欢 吃 苹果”，窗口设为2时，“她”“吃”“苹果”作为输入，“喜欢”是唯一输出目标。
Skip-gram则反过来：把“喜欢”作为唯一输入，分别预测它前后的词——“她”“吃”“苹果”（甚至更远的）都是独立输出目标。一次输入，多次预测。
- CBOW：多对一，计算量小，收敛快
- Skip-gram：一对多，每次更新更多参数，训练慢但信息利用率高
低频词表现差异明显
CBOW对高频词友好，因为高频词在语料中反复出现，上下文稳定，平均向量噪声小；但它容易“抹平”低频词的独特性——稀有词常被高频邻居拉偏。
Skip-gram天然适合低频词：哪怕一个生僻词只出现10次，每次它都作为中心词生成10组上下文预测任务，等于被强化学习了10次。医疗、法律等专业语料中，“冠状动脉搭桥术”这类长尾词用Skip-gram建模更稳。
实测中，当语料里min_count ≤ 3时，Skip-gram产出的低频词余弦相似度普遍比CBOW高15%–25%。
将 LaTeX（.tex）学术论文转换为 Word（.docx），支持可编辑的 OMML 公式、原生 Word 表格、嵌入图形、IEEE 双栏排版及参考文献
参数设置不能照搬，要跟着模型走
CBOW和Skip-gram默认学习率不同：Gensim中CBOW用0.05，Skip-gram用0.025。强行统一会导致Skip-gram震荡或CBOW欠拟合。
窗口大小也需区分：
- CBOW建议window=2–5：上下文太宽，平均向量会混入无关词，削弱预测信号
- Skip-gram可设window=5–10：它逐个预测，宽窗口带来更丰富的正样本，尤其利于捕捉长距离搭配（如“深度学习”和“反向传播”虽隔几词仍共现）
另外，Skip-gram对iter（迭代轮数）更敏感——通常要比CBOW多训2–3轮才能充分收敛。
怎么选？看数据规模和任务目标
小数据（
大数据（百万句以上）、含大量专有名词或术语、需做语义检索或类比推理（如“国王−男人+女人≈女王”）→ Skip-gram更可靠。
没有绝对优劣，但可以这样快速验证：在同一语料上分别训CBOW和Skip-gram，挑几个关键业务词（如电商里的“7天无理由”，金融里的“LPR”），人工检查top10相似词是否合理。哪个更贴业务，就选哪个。
