在自然语言处理中，对于给定的语料库，CBOW 和 Skip-gram 两种词嵌入训练方法各自在何种应用场景下更为适用？请从训练效率、对低频词的处理能力以及语义特点等方面进行说明。
考察说明
考察对 CBOW 和 Skip-gram 原理差异及其适用场景的理解。
回答思路
- 【回答框架 1】CBOW 是根据上下文预测中心词，训练速度较快，适合语料较大且对训练效率要求高的场景。它能够较好地捕捉高频词的语义，对语法信息和语义信息的学习相对均衡。
- 【回答框架 2】Skip-gram 是根据中心词预测上下文，对低频词和罕见词的表示效果更好，但训练速度较慢。它更侧重于语义相似性，适合处理语料较小或需要丰富词汇语义表示的场景。
- 【回答框架 3】在应用选择上，如果任务需要快速训练且语料充足，如大规模文本分类或情感分析中的基础词向量，可优先考虑 CBOW；而如果任务对词汇语义的精度要求高，如机器翻译、问答系统或需要处理稀有词汇，则更适合 Skip-gram。
- 【回答框架 4】实际应用中也可使用预训练词向量（如 Google 发布的基于 Skip-gram 的 Word2Vec 模型），并结合具体任务微调，以平衡效率和效果。
- 【关键点 1】CBOW 训练快，适合大规模语料，对高频词效果好。
- 【关键点 2】Skip-gram 对低频词和语义相似性更优，但训练慢。
- 【关键点 3】场景选择需权衡训练资源和语义质量。
- 【易错点 1】不要认为 Skip-gram 在绝对效果上总优于 CBOW，实际取决于任务和语料。
- 【易错点 2】不要忽略上下文窗口大小等超参数对两种模型效果的影响。