本文主要介绍一篇年代久远但意义重大的论文A Neural Probabilistic Language Model（2003），其意义重大的一点在将神经网络引入语言模型的训练中，并得到了词向量这个副产物，即万物皆可Embedding的由来就在这里。

本文采用最通俗的例子来讲这个神经元模型的原理、代码和缺点。

一、原理

1、原型图

1、首先拿到一篇文章，需要把文章中的词全部提取出来并去重，得到$V$ ，初始化词向量$C$（一个$|V|$x $m$大小的矩阵，m），