什么是“原始”跳过语法模型？

Question

我通常看到的跳跃语法模型是一个三层神经网络，具有隐藏的投影/嵌入层。嵌入层具有嵌入权重矩阵，该矩阵最终将成为词在语料库中的嵌入向量。 softmax层（输出层）还具有权重矩阵，该权重矩阵不直接表示任何单词。在这里，我将此模型称为跳过模型模型1 。

我正在阅读book。该书提到了一种原始的跳过语法算法，与上述算法不同。在这里，我将此“原始”跳过语法模型称为跳过语法模型2 。根据这本书，

  

到目前为止，本书中讨论的skip-gram算法是   实际上是对最初提出的跳过文法算法的改进   由Mikolov等人于2013年发表。   本文中的算法没有使用中间隐藏层   学习表述。相反，使用的原始算法   两个不同的嵌入或投影层（输入和输出   嵌入图4.1中），并定义了从   嵌入自身：

我的第一个问题是在哪里可以找到“原始论文”？在论文向量空间中单词表示的有效估计中，skip-gram模型似乎是模型1，而不是上面的原始模型2。

在某些方面，人们说softmax标准化可计算矢量相似度。例如，在mbatchkarov's answer中，他对softmax计算进行了解释：

  

分子基本上是单词c（   上下文）和w（目标）词。分母计算   所有其他上下文c1和目标单词w的相似性。

第二个问题：是“原始”跳过语法模型2吗？因为在常见的跳过语法模型1中，输出层权重只是神经网络权重，而不是单词的矢量表示