From 9d2e087371d29db395bd34fd11808742b1ba43cb Mon Sep 17 00:00:00 2001
From: tiansc <952505116@qq.com>
Date: Tue, 23 Jan 2024 11:41:07 +0800
Subject: [PATCH 1/2] fix an error in word2vec.md

---
 chapter_natural-language-processing-pretraining/word2vec.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/chapter_natural-language-processing-pretraining/word2vec.md b/chapter_natural-language-processing-pretraining/word2vec.md
index b95ef3f30..5f2681fcb 100644
--- a/chapter_natural-language-processing-pretraining/word2vec.md
+++ b/chapter_natural-language-processing-pretraining/word2vec.md
@@ -27,7 +27,7 @@ $$\frac{\mathbf{x}^\top \mathbf{y}}{\|\mathbf{x}\| \|\mathbf{y}\|} \in [-1, 1].$
 ## 跳元模型（Skip-Gram）
 :label:`subsec_skip-gram`
 
-跳元模型假设一个词可以用来在文本序列中生成其周围的单词。以文本序列“the”“man”“loves”“his”“son”为例。假设*中心词*选择“loves”，并将上下文窗口设置为2，如图 :numref:`fig_skip_gram`所示，给定中心词“loves”，跳元模型考虑生成*上下文词*“the”“man”“him”“son”的条件概率：
+跳元模型假设一个词可以用来在文本序列中生成其周围的单词。以文本序列“the”“man”“loves”“his”“son”为例。假设*中心词*选择“loves”，并将上下文窗口设置为2，如图 :numref:`fig_skip_gram`所示，给定中心词“loves”，跳元模型考虑生成*上下文词*“the”“man”“his”“son”的条件概率：
 
 $$P(\textrm{"the"},\textrm{"man"},\textrm{"his"},\textrm{"son"}\mid\textrm{"loves"}).$$
 

From f7a463d036f2711709ff8da16e688908cfdbbc22 Mon Sep 17 00:00:00 2001
From: tiansc <952505116@qq.com>
Date: Thu, 22 Feb 2024 19:23:50 +0800
Subject: [PATCH 2/2] fix an error in word2vec.md

---
 chapter_natural-language-processing-pretraining/word2vec.md | 2 +-
 1 file changed, 1 insertion(+), 1 deletion(-)

diff --git a/chapter_natural-language-processing-pretraining/word2vec.md b/chapter_natural-language-processing-pretraining/word2vec.md
index 5f2681fcb..2503b9935 100644
--- a/chapter_natural-language-processing-pretraining/word2vec.md
+++ b/chapter_natural-language-processing-pretraining/word2vec.md
@@ -71,7 +71,7 @@ $$\begin{aligned}\frac{\partial \text{log}\, P(w_o \mid w_c)}{\partial \mathbf{v
 
 ## 连续词袋（CBOW）模型
 
-*连续词袋*（CBOW）模型类似于跳元模型。与跳元模型的主要区别在于，连续词袋模型假设中心词是基于其在文本序列中的周围上下文词生成的。例如，在文本序列“the”“man”“loves”“his”“son”中，在“loves”为中心词且上下文窗口为2的情况下，连续词袋模型考虑基于上下文词“the”“man”“him”“son”（如 :numref:`fig_cbow`所示）生成中心词“loves”的条件概率，即：
+*连续词袋*（CBOW）模型类似于跳元模型。与跳元模型的主要区别在于，连续词袋模型假设中心词是基于其在文本序列中的周围上下文词生成的。例如，在文本序列“the”“man”“loves”“his”“son”中，在“loves”为中心词且上下文窗口为2的情况下，连续词袋模型考虑基于上下文词“the”“man”“his”“son”（如 :numref:`fig_cbow`所示）生成中心词“loves”的条件概率，即：
 
 $$P(\textrm{"loves"}\mid\textrm{"the"},\textrm{"man"},\textrm{"his"},\textrm{"son"}).$$