我不明白在genow的doc2vec处于DBOW模式（dm=0）的情况下，单词向量在训练过程中是如何涉及的。我知道默认情况下dbow_words=0禁用了它。但是，当我们将dbow_words设置为1时会发生什么？
在我对DBOW的理解中，上下文词是直接从段落向量中预测的。因此，模型的唯一参数是N p维段落向量以及分类器的参数。
但是有多个消息来源暗示，在DBOW模式下可以共同训练word和doc向量。例如：
那么，这是怎么做的？ 任何澄清将不胜感激！
注意：对于DM，将段落向量与单词向量进行平均/串联以预测目标单词。在这种情况下，很明显单词向量与文档向量是同时训练的。并且有N*p + M*q + classifier个参数（其中M是词汇的大小和q词向量空间为暗）。
答案 0 :(得分：1)
如果设置dbow_words=1，则将跳过语法图单词矢量训练添加到训练循环中，与常规PV-DBOW训练交错。
因此，对于文本中的给定目标词，首先使用候选文档向量（单独）来尝试预测该词，然后对模型和文档向量进行反向传播调整。然后，使用一组周围的单词，以跳跃语法的形式一次使用一个单词，以尝试预测相同的目标单词-进行后续调整。
然后，文本中的下一个目标单词将获得相同的PV-DBOW加上跳跃语法处理，依此类推，依此类推。
由此产生的一些逻辑后果：
比普通PV-DBOW花费的时间更长-大约等于window参数的因数
词向量总体上比doc向量获得更多的总体培训关注，再次达到了window参数