通俗理解glove词向量，较word2vec的区别

写得这么通俗易懂，不仅是公式推导（虽然这个也没啥推导的），加入例子更好理解整个过程。整个过程相较于word2vec的训练过程来说，只是对真值做了改变和对损失函数的推导过程，当然里面也有一些巧妙的思路，不仅仅是凑巧。还有就是较word2vec，glove利用了全局信息，使其在训练时收敛更快，训练周期较Word2vec较短且效果更好。

实际我觉得这里作者发现的规律还是存在问题的，比值约等于1时，存在两种情况，P(i,k)和P(j,k)都很大或者很小，很大表明单词i，k和j，k相关性很高，反之则很低，但很大和很小只是相对的，单纯的给两个数值我们并不能判断它们之间的相关性如何。P(i,k)=0.6，P(i,k)=3.6我们只能说明后者比前者相关性大，但后者相关性有多大？？？我们并不知道。仍需要统计普遍规律来设定相应的阈值。

如有疑问和错误，敬请指正

同时简介了其他作者的博客，共同学习。